コスト感受性学習を用いたランダムフォレスト分類器による不均衡データセットからの都市ランドマークの抽出

都市ランドマークは、空間認知、ナビゲーション、地図デザイン、都市計画における空間的参照として重要な役割を果たします。しかし、現在のランドマーク抽出手法は、データセット内のランドマークと非ランドマークサンプルの不均衡を考慮しておらず、そのため抽出結果はサンプルデータが多数を占めるクラスに偏り、サンプルデータが最も少ないクラスの分類性能が悪化します。本研究では、基本的な空間データベースから自動的に都市ランドマークを抽出するために、コスト感受性学習と組み合わせたランダムフォレスト（RF）分類器を紹介します。まず、特徴の重要性に基づいて最適な特徴セットを決定します。次に、クラス分布に基づいて誤分類コストを決定し、各決定木を分類結果で重み付けするコスト感受性RFアルゴリズムを適用してランドマークを抽出します。この手法は、再現率およびROC曲線下面積（AUC）が90％を超える良好な性能を示し、小規模サンプルセットにも適用可能で、手作業のコストを削減できます。