MLSMOTE: Approaching imbalanced multilabel learning through synthetic instance generation

Comunicación en congreso 2016

Autores: Francisco Charte Ojeda, Antonio Jesús Rivera Rivas, Maria José del Jesus Díaz, Francisco Herrera Triguero

XVII Conferencia de la Asociación Española para la Inteligencia Artificial (CAEPIA 2016)Páginas 821-822

Descargar PDF 579.04 KB Google Scholar Todas las publicaciones

Cómo citar esta publicación

Charte Ojeda, F., Rivera Rivas, A. J., del Jesus Díaz, M. J., & Herrera Triguero, F. (2016). MLSMOTE: Approaching imbalanced multilabel learning through synthetic instance generation. XVII Conferencia de la Asociación Española para la Inteligencia Artificial (CAEPIA 2016), 821-822. Salamanca (Spain).

BibTeX

Resumen

This is a summary of our article published in Knowledge-Based Systems to be part of the MultiConference CAEPIA 16 Key-Works.

Financiación

TIN2012-33856 : Nuevos problemas en minería de datos: Soluciones con técnicas Soft Computing
TIN2011-28488
P10-TIC-6858
P11-TIC-7765

Detalles

Date Published: 9
Lugar del congreso: Salamanca (Spain)
ISBN: 978-84-9012-632-5