改进K-means的双向采样非均衡数据分类方法

• 作者: 曾昊 柳毅
• 来源期刊: 微电子学与计算机
• 关键词: 不均衡学习 双向采样 分类算法 集成学习
• 年，卷（期）: 2020,（3）
• 页码范围: 60-65
• 页数: 6页
• 分类号: TP391
• 语种: 中文

摘要

针对分类器在不均衡数据集上对小类分类准确率较差的问题,提出了改进K-means的双向采样算法KMBS(k-means bi-directional sampling),并将集成学习应用在分类算法上.首先,使用改进的K-means聚类算法将原始数据集划分为不同的聚类簇.其次,在聚类簇中使用改进的SMOTE算法对小类样本过采样,对聚类簇内的大类样本欠采样,使数据集平衡.多次执行该算法可以产生多个差异较大的数据集,因此训练出多个差异较大的分类器,提升集成学习的效果.通过分析实验结果,该算法较现有几种算法不仅能提高整体分类性能,并且有效提高小类样本的分类性能.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	柳毅	广东工业大学计算机学院	36	83	5.0	8.0
2	曾昊	广东工业大学计算机学院	1	0	0.0	0.0