부스팅과 오버샘플링을 통한 다중 클래스 분류를 위한 이진화

다중 클래스 분류 문제를 해결하기 위해 이진 분류기 집합을 사용하는 것은 수년간 인기 있는 접근 방식이었습니다. 이진 분류기(기초 분류기라고도 함)에서 학습된 결정 경계는 다중 클래스 분류기에서 학습된 것보다 훨씬 단순합니다. 이 논문은 다중 클래스 분류 문제를 효율적으로 해결하기 위해 부스팅 및 오버샘플링(BBO)으로 명명된 새로운 분류 프레임워크를 제안합니다. 새로운 프레임워크는 일대다(OVA) 이진화 기법을 기반으로 설계되었습니다. 대부분의 이전 작업과 달리, BBO는 학습하기 어려운 사례를 해결하기 위해 부스팅을 사용하고 OVA 이진화로 인해 발생하는 클래스 불균형 문제를 처리하기 위해 오버샘플링을 사용합니다. 이 두 가지 기능은 BBO를 다른 기존 작업과 다르게 만듭니다. 우리의 새로운 프레임워크는 신경망, C4.5, k-최근접 이웃, 오류 감소를 위한 반복적 점진적 가지치기, 지원 벡터 머신, 랜덤 포레스트 및 지역 및 글로벌 일관성 학습을 포함한 다섯 개의 서로 다른 기초 분류기를 사용하여 여러 다중 클래스 감독 및 반감독 분류 문제에 대해 광범위하게 테스트되었습니다. 실험 결과는 BBO가 감독 및 반감독 분류 문제에 대해 기존의 방법들보다 더 나은 성능을 나타낼 수 있음을 보여줍니다.