面向不平衡数据分类的KFDA-Boosting算法

• 作者: 杨云鹏 樊重俊 王来 袁光辉
• 来源期刊: 计算机应用研究
• 关键词: 核费希尔判别分析 集成学习 不平衡数据 分类
• 年，卷（期）: 2019,（3）
• 所属期刊栏目: 算法研究探讨
• 页码范围: 807-811
• 页数: 5页
• 分类号: TP301.6
• 语种: 中文
• DOI: 10.19734/j.issn.1001-3695.2017.10.0978

摘要

数据分布的不平衡性和数据特征的非线性增加了分类的困难,特别是难以识别不平衡数据中的少数类,从而影响整体的分类效果.针对该问题,结合KFDA (kernel Fisher discriminant analysis)能有效提取样本非线性特征的特性和集成学习中Boosting算法的思想,提出了KFDA-Boosting算法.为了验证该算法对不平衡数据分类的有效性和优越性,以G-mean值、少数类的查准率与查全率作为分类效果的评价指标,选取了UCI中10个数据集测试KFDA-Boosting算法性能,并与支持向量机等六种分类算法进行对比实验.结果 表明,对于不平衡数据分类,尤其是对不平衡度较大或呈非线性特征的数据,相比于其他分类算法,KFDA-Boosting算法能有效地识别少数类,并且在整体上具有显著的分类效果和较好的稳定性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	樊重俊	上海理工大学管理学院	154	675	14.0	19.0
2	杨云鹏	上海理工大学管理学院	30	117	5.0	9.0
3	袁光辉	上海财经大学信息管理与工程学院	17	59	5.0	7.0
7	王来	上海理工大学管理学院	5	13	2.0	3.0