Evaluierung von unbalancierten Lernmethoden

Aus SDQ-Institutsseminar
Version vom 29. Oktober 2019, 10:15 Uhr von Jakob Bach (Diskussion | Beiträge) (Die Seite wurde neu angelegt: „{{Vortrag |vortragender=Daniela Ruchser |email=uvdik@student.kit.edu |vortragstyp=Masterarbeit |betreuer=Jakob Bach |termin=Institutsseminar/2019-11-08 Zusatzt…“)
(Unterschied) ← Nächstältere Version | Aktuelle Version (Unterschied) | Nächstjüngere Version → (Unterschied)
Vortragende(r) Daniela Ruchser
Vortragstyp Masterarbeit
Betreuer(in) Jakob Bach
Termin Fr 8. November 2019
Vortragsmodus
Kurzfassung Die binäre Klassifikation von Daten mit unbalancierter Klassenverteilung ist ein relevantes Data-Mining-Problem. In vielen Anwendungsgebieten tritt die interessierende Klasse wesentlich seltener auf als die Mehrheitsklasse. Standard-Klassifikationsalgorithmen und -Evaluationsmaße sind in solchen Situationen nicht gut geeignet. In der Literatur gibt es viele Ansätze, die dieses Problem mit geeigneteren Evaluationsmaßen und Lernmethoden adressieren. Wir führen eine umfassende experimentelle Vergleichsstudie mit vielen Lernmethoden, Evaluationsmaßen und Klassifikationsalgorithmen durch, um herauszufinden, wie gut die Performanz der Methoden auf einer Vielzahl von Datensätzen ist. Im zweiten Teil unserer Arbeit untersuchen wir den Zusammenhang zwischen verschiedenen Datencharakteristiken und der Performanz der Methoden mithilfe von Meta-Learning.