Classification Trees for Imbalanced Data: Surface-to-Volume Regularization
不平衡数据的分类树：表面积与体积比正则化AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用不平衡分类算法，未提供所列经济计量领域的明确应用或理论依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
不平衡数据的分类树：表面积与体积比正则化
- 研究问题
- 当某些类别训练样本有限时，如何抑制分类树不规则决策边界造成的泛化误差，同时保留其可解释性与灵活性？
- 方法与思路
- 作者对决策集合的表面积与体积比施加惩罚，形成 SVR-Tree，并提供简单高效实现及相关估计一致性分析。
- 材料陈述的贡献
- 摘要称证明 SVR-Tree 的一致性及理想化经验风险最小化器的收敛率，并在真实数据上与多种不平衡分类算法比较。
- 阅读关注点
- 应核对几何惩罚的计算与调参方式、实际算法和理想化估计器的区别，以及比较采用哪些类别敏感的性能指标。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未报告比较方向或数值，理想化收敛率不能直接视为实际算法保证，不能推断刊本变化。
原文摘要
Classification algorithms face difficulties when one or more classes have limited training data. We are particularly interested in classification trees, due to their interpretability and flexibility. When data are limited in one or more of the classes, the estimated decision boundaries are often irregularly shaped due to the limited sample size, leading to poor generalization error. We propose a novel approach that penalizes the Surface-to-Volume Ratio (SVR) of the decision set, obtaining a new class of SVR-Tree algorithms. We develop a simple and computationally efficient implementation while proving estimation consistency for SVR-Tree and rate of convergence for an idealized empirical risk minimizer of SVR-Tree. SVR-Tree is compared with multiple algorithms that are designed to deal with imbalance through real data applications. Supplementary materials for this article are available online.