Handling the Class Imbalance Problem using an improved Sine Cosine Algorithm for Optimal Instance Selection
Notice bibliographique
Résumé
Abstract Class imbalance is a significant problem that is biased, exhibiting excellent performance towards the majority classes in the dataset while inhibiting inferior performance toward minority classes. When dealing with real-world issues, in particular healthcare problems, this kind of biased nature affects classification accuracy. Thus, a class imbalance is a danger that directly affects the effectiveness of any classification algorithm. The Improved Binary Sine Cosine Algorithm (IBSCA) has been used in this work to identify the subset of the majority class in the best possible way. The proposed IBSCA makes some enhancements over the conventional Binary Sine Cosine Algorithm (BSCA) to address the issue of premature convergence with the local optimal solutions. Intending to improve the classification accuracy for unbalanced datasets, the proposed IBSCA seeks to identify the optimal collection of instances from the majority class. The advised IBSCA uses a random agent’s location, which tends to devote considerable time to exploration to find the best possible set of instances. By using the geometric Mean (G-Mean) and F-Score to describe the fitness function, the proposed IBSCA aims to solve the multi-objective optimization issue. The most crucial metrics for assessing how well a classifier performs on skewed datasets are G-Meanand F-Score. Additionally, a V-shaped transfer function is used to handle the discrete nature of the class imbalance issue. On 18 datasets with different imbalance ratios taken from the KEEL repository, experimentation is conducted. Comparisons are made between the suggested IBSCA and the traditional BSCA, Binary Particle Swarm Optimization (BPSO), and Binary GreyWolf Optimization (BGWO). Additionally, the performance of the suggested IBSCA is evaluated against the top outcomes from different research papers. Metrics like Sensitivity, F-Score, G-Mean, and Area under Curve (AUC) show that the suggestedIBSCA outperforms the current algorithms. The statistical findings also demonstrate that the suggested IBSCA is more efficient than the other conventional algorithms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».