计算机科学与探索

作者：冷强奎, 李梓涵

单位：辽宁工程技术大学 电子与信息工程学院，辽宁 葫芦岛 125105

关键词：不平衡数据,CFSFDP聚类算法,合成过采样,边界样本

基金：辽宁省教育厅科研项目（JYTMS20230819）；辽宁工程技术大学博士科研启动基金（21-1043）。

类不平衡问题，作为分类任务中的一大挑战，源于训练数据集中多数类与少数类样本数量的显著失衡。这种不平衡性不仅影响分类器的泛化能力，还可能导致对少数类样本的识别精度大幅下降。过采样技术，尤其是合成过采样技术（SMOTE）及其变种方法，作为缓解此类问题的有效手段，通过生成额外的少数类样本来平衡数据集。然而，这些方法存在生成样本可能引入噪声、样本多样性不足以及未能充分关注边界区域等局限性。鉴于边界样本在分类决策中的关键作用及其易受分类器误判的特性，提出了一种创新的过采样策略，旨在精准识别边界样本，并在其周围生成高质量的新样本。该方法采用密度峰值快速聚类算法CFSFDP，凭借其识别局部密度峰值的能力，计算出每个少数类样本的局部密度，进而筛选出位于分类边界样本。通过计算这些边界样本与其最近多数类样本之间的欧式距离，为每个边界样本定义一个合适的球形区域，该区域既涵盖了边界样本的潜在分布范围，又避免了与多数类样本的过度重叠。在确定了边界样本及其对应的球形区域后，该方法在该区域内随机生成新的合成样本。这一步骤不仅增加了少数类样本的多样性，还使得生成的样本更加贴近真实的边界分布，从而有助于分类器更好地学习少数类的复杂特征。为验证该方法的有效性，将其与现有的9种过采样方法在32个真实世界的不平衡数据集上进行了全面比较。实验结果表明，提出的方法在多个评价指标上均表现出色。

来源：2025年第10期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第10期