结合样本局部密度的非平衡数据集成分类算法

• 作者: 杨浩 陈红梅
• 来源期刊: 计算机科学与探索
• 学科: 工学
• 关键词: 非平衡数据 近邻计算策略 集成学习 过采样
• 年，卷（期）: 2020,（2）
• 所属期刊栏目: 人工智能
• 页码范围: 274-284
• 页数: 11页
• 分类号: TP391
• 字数: 8617字
• 语种: 中文
• DOI: 10.3778/j.issn.1673-9418.1901017

摘要

传统的过采样方法是解决非平衡数据分类问题的有效方法之一.基于SMOTE的过采样方法在数据集出现类别重叠(class-overlapping)和小析取项(small-disjuncts)问题时将降低采样的效果,针对该问题提出了一种基于样本局部密度的过采样算法MOLAD.在此基础上,为了解决非平衡数据的分类问题,提出了一种在采样阶段将MOLAD算法和基于Bagging的集成学习结合的算法LADBMOTE.LADBMOTE首先根据MOLAD计算每个少数类样本的K近邻,然后选择所有的K近邻进行采样,生成K个平衡数据集,最后利用基于Bagging的集成学习方法将K个平衡数据集训练得到的分类器集成.在KEEL公开的20个非平衡数据集上,将提出的LADBMOTE算法与当前流行的7个处理非平衡数据的算法对比,实验结果表明LADBMOTE在不同的分类器上的分类性能更好,鲁棒性更强.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	杨浩	西南交通大学信息科学与技术学院	16	91	5.0	9.0