不均衡なクラスに対処するためのアプローチの分類

不均衡クラス問題に対処するために開発されたアプローチを分類する最良の方法は何ですか？

この記事では、それらを次のように分類しています。

1. 前処理：オーバーサンプリング、アンダーサンプリング、ハイブリッド法を含みます
2. コスト重視の学習：直接的な方法とメタ学習が含まれ、後者はさらにしきい値とサンプリングに分割されます。
3. アンサンブル手法：アンサンブル学習と組み合わせたコスト重視のアンサンブルとデータ前処理が含まれます。

第二の分類：

1. データの前処理：分布の変更とデータ空間の重み付けが含まれます。1クラス学習は、分布の変化と見なされます。
2. 特別な学習方法
3. 予測後処理：しきい値法とコスト重視の後処理を含みます
4. ハイブリッドメソッド：

3番目の記事：

1. データレベルのメソッド
2. アルゴリズムレベルの方法
3. ハイブリッド法

最後の分類では、出力調整を独立したアプローチと見なしています。

前もって感謝します。

私の見たところ、3つのカテゴリすべてが多くの点で一致しています。たとえば、3つすべてに前処理ステップのカテゴリがあります。

3番目の分類は、より一般的で、より多くのものを包含するため、私はほぼ同意する傾向があります。

• データレベルのカテゴリは（アンダーサンプリング例えばオーバー/）クラスの不均衡に対処する任意の前処理ステップを含みます。
• アルゴリズムレベルは、最初の二つの記事の第二のカテゴリを含めて考えることができます。クラスの不均衡を処理するアルゴリズムの変更（クラスの重み付けなど）がここに適用されます。
• 最後に、2つを組み合わせるためのハイブリッドカテゴリ。

最初の2つの記事で唯一欠けているのは、後処理のステップです。正直に言うと、実際には他のステップほど頻繁には使用されません。