不均衡データに対する多段階学習を用いたアンサンブルモデルによる2クラス分類アルゴリズムの提案

• Item type: SIG Technical Reports(1)
• 公開日: 2019-02-21
• タイトル: 不均衡データに対する多段階学習を用いたアンサンブルモデルによる2クラス分類アルゴリズムの提案
• タイトル / 言語: en
• タイトル: A New Ensemble Model for Imbalanced Two-class Classification by Learning Multistage
• 言語: jpn
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 筑波大学
• 著者所属: 筑波大学
• 著者所属: 筑波大学
• 著者所属(英): en
• 著者所属(英): University of Tsukuba
• 著者所属(英): en
• 著者所属(英): University of Tsukuba
• 著者所属(英): en
• 著者所属(英): University of Tsukuba
• 著者名: 藤原, 和樹; 繁野, 麻衣子; 住田, 潮
• 著者名(英): Kazuki, Fujiwara; Maiko, Shigeno; Ushio, Sumita
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 近年，機械学習を用いた 2 クラス分類アルゴリズムは，種々のアプリケーション実現のための中核的な技術要素として応用されている．一方で，応用される多くの事例では対象データが少数の陽性と多数の陰性から構成される不均衡データであり，この不均衡性によって陽性の分類精度が低くなってしまうことが問題になっている．本稿では，不均衡データに対する陽性の分類精度の向上を目的とした 2 クラス分類アルゴリズムについて研究する．一般的に，不均衡データに対する陽性の分類精度を向上させようとした場合，偽陰性の減少と引き換えに偽陽性が増加する可能性がある．そこで本研究では，不均衡データに対して偽陰性 ・ 偽陽性を共に減少させる多段階学習を用いたアンサンブルモデルによる 2 クラス分類アルゴリズムを提案する．提案手法では，分類が難しいと判断されたデータに対して学習を繰り返し，期毎に複数のモデルを作成する．多段階的に作成された複数のモデルを用いて，偽陰性を減少させるための最適線形結合モデルと偽陽性を減少させるためのカスケード結合モデルをそれぞれ構築し，この 2 つのモデルを統合して最終的な分類を行う．実験を通じて，提案手法を用いることによって，既存手法よりも陽性の分類精度が向上すること，偽陰性と偽陽性が共に減少することを示した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: In recent years, algorithms for classification with two possible outcomes have played important roles in machine learning. In various applications in the real world, the analyzing datasets are hard to deal with because the sizes of classes are imbalanced, i.e., the data contain a few positive outcomes while contain many negative outcomes. This imbalance causes the low accuracy of classification for positive. Many algorithms for two-class classification have been developed to improve the accuracy of classification even if the dataset is imbalanced. However, such algorithms tend to yield increasing false positives in return for reducing false negatives. We propose an algorithm tries to reduce both false negative and false positives in multistage learning. By using several learning machines, our algorithm constructs several models. To reduce false negatives, we take an optimal linear combination of those models. On the other hand, to reduce false positives, we take a cascade classifier. Integrating these two models, the solution for classification is given. Computational experiments are performed to verify the proposed method and to ascertain that the classification accuracy of positive is better than the existing method. The proposed method succeeded to decrease both the false negative and false positives.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN10505667
• 書誌情報: 研究報告数理モデル化と問題解決（MPS）; 巻 2019-MPS-122, 号 9, p. 1-6, 発行日 2019-02-21
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-8833
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会