计算机科学与探索

作者：杨浩，陈红梅

单位：1. 西南交通大学 信息科学与技术学院，成都 6117562. 云计算与智能技术高校重点实验室（西南交通大学），成都 611756

关键词：非平衡数据,近邻计算策略,集成学习,过采样

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。

来源：2020年第2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2020年第2期