基于AdaBoost的类不平衡学习算法

• 作者: 秦孟梅 赵伟康 邱建林 陆鹏程 陈璐璐
• 来源期刊: 计算机应用研究
• 关键词: 机器学习 类不平衡学习 集成学习 SMOTE 数据清理技术
• 年，卷（期）: 2017,（11）
• 所属期刊栏目: 算法研究探讨
• 页码范围: 3229-3232,3254
• 页数: 5页
• 分类号: TP181
• 语种: 中文
• DOI: 10.3969/j.issn.1001-3695.2017.11.006

摘要

处理类不平衡数据时,少数类的边界实例非常容易被错分.为了降低类不平衡对分类器性能的影响,提出了自适应边界采样算法(AB-SMOTE).AB-SMOTE算法对少数类的边界样本进行自适应采样,提高了数据集的平衡度和有效性;同时将AB-SMOTE算法与数据清理技术融合,形成基于AdaBoost的集成算法ABTAda-Boost.ABTAdaBoost算法主要包括三个阶段:对训练数据集采用AB-SMOTE算法,降低数据集的类不平衡度;使用Tomek links数据清理技术清除数据集中的噪声和抽样方法产生的重叠样例,有效提高数据的可用性;使用AdaBoost集成算法生成一个基于Ⅳ个弱分类器的集成分类器.实验分别以J48决策树和朴素贝叶斯作为基分类器,在12个UCI数据集上的实验结果表明,ABTAdaBoost算法的预测性能优于其他几种算法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	邱建林	南通大学计算机科学与技术学院	43	246	9.0	14.0
3	陆鹏程	南通大学电子信息学院	6	46	4.0	6.0
4	陈璐璐	南通大学电子信息学院	6	44	4.0	6.0
5	秦孟梅	南通大学电子信息学院	2	36	2.0	2.0
6	赵伟康	南通大学计算机科学与技术学院	2	36	2.0	2.0