三种用于垃圾网页检测的随机欠采样集成分类器

• 作者: 卢晓勇 陈木生
• 来源期刊: 计算机应用
• 学科: 工学
• 关键词: 垃圾网页检测 不平衡分类 集成学习 欠采样 分类回归树
• 年，卷（期）: 2017,（2）
• 所属期刊栏目: 人工智能
• 页码范围: 535-539,558
• 页数: 6页
• 分类号: TP391.1|TP393.098|TP181
• 字数: 6989字
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2017.02.0535

摘要

针对垃圾网页检测过程中轻微的不平衡分类问题,提出三种随机欠采样集成分类器算法,分别为一次不放回随机欠采样(RUS-once)、多次不放回随机欠采样(RUS-multiple)和有放回随机欠采样(RUS-replacement)算法.首先使用其中一种随机欠采样技术将训练样本集转换成平衡样本集,然后对每个平衡样本集使用分类回归树(CART)分类器算法进行分类,最后采用简单投票法构建集成分类器对测试样本进行分类.实验表明,三种随机欠采样集成分类器均取得了良好的分类效果,其中RUS-multiple和RUS-replacement比RUS-once的分类效果更好.与CART及其Bagging和Adaboost集成分类器相比,在WEBSPAM UK-2006数据集上,RUS-multiple和RUS-replacement方法的AUC指标值提高了10％左右,在WEBSPAM UK-2007数据集上,提高了25％左右;与其他最优研究结果相比,RUS-multiple和RUS-replacement方法在AUC指标上能达到最优分类结果.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	卢晓勇	南昌大学软件学院	45	308	10.0	14.0
2	陈木生	南昌大学信息工程学院	10	48	5.0	6.0