基于少數(shù)類樣本重組的不平衡數(shù)據(jù)分類研究.pdf

1、不平衡數(shù)據(jù)廣泛存在于現(xiàn)實生活中。在這樣的數(shù)據(jù)集中，數(shù)量上相對稀少的少數(shù)類本數(shù)據(jù)往往是人們所特別關(guān)注的重點。在不平衡數(shù)據(jù)中，少數(shù)類數(shù)據(jù)通常被大量的多數(shù)類樣本所包圍，傳統(tǒng)的分類算法因為不平衡數(shù)據(jù)集中各類內(nèi)樣本數(shù)量上嚴(yán)重的傾斜和分布不均衡已變得不太適用，雖然在分類精度上能達(dá)到一個很高的水平，但遠(yuǎn)沒有取得人們預(yù)想的分類目的。
　　上采樣技術(shù)是處理不平衡數(shù)據(jù)集分類的一個重要研究方向。在所有的上采樣技術(shù)中SMOTE算法以及該算法的改進(jìn)版本BS

2、MOTE是特別有代表性的兩個方法。SMOTE算法通過少數(shù)類內(nèi)部樣本之間使用插值的方法合成新的少數(shù)類樣本，以期達(dá)到類間數(shù)據(jù)平衡的目的。但是，SMOTE算法在生成新樣本的過程中仍舊存在著如生成的新樣本可能會成為噪聲點、生成的新樣本大多位于原小樣本密集的區(qū)域，不能改變少數(shù)類分布稀疏的情況等問題。
　　因此為了進(jìn)一步提升少數(shù)類的分類精度，本文在BSMOTE算法的基礎(chǔ)上提出了一種新的上采樣方法Distance Based SMOTE，以此來

3、進(jìn)行新的少數(shù)類樣本生成。新算法DBSMOTE在生成新樣本的時候不會選取多數(shù)類樣本作為合成新樣本的數(shù)據(jù)來源，而是只選取邊界樣本同其最近多數(shù)類樣本的中間點作為新樣本合成的來源。既拓寬了少數(shù)類的分類邊界，又降低了生成噪聲數(shù)據(jù)的可能性。同時，在合成新樣本的時候?qū)⒋铣牲c的距離參數(shù)考慮進(jìn)去，待合成點兩點間的相隔距離越長獲得樣本生成數(shù)量越多，距離越短合成新樣本的機會就越少，這樣在分類算法中能使位于少數(shù)類中樣本稀疏區(qū)域的邊界樣本更多關(guān)注，以此均衡少數(shù)