二类不均衡数据分类问题常用策略研究

杨小军，刘 志，王力猛，刘 文

（国防大学 联合勤务学院，北京 100858）

0 引 言

分类是数据挖掘领域的一类重要问题，现有的分类方法都很成熟，如决策树、支持向量机、朴素贝叶斯方法等，并利用这些方法成功地解决了许多实际问题。但随着应用范围的扩大和研究的深入，分类方法在使用过程中遇到了数据样本分布不均衡问题。通常称数据分布不均衡的数据集为不均衡数据集，数据分布不均衡表现为两种形式：一是类间数据分布不均衡；二是在某一类样本的内部存在着类内不均衡。在不均衡数据集中，将样本数量少的类称为少数类或正类，样本数量多的类称为多数类或负类。

对不均衡数据进行正确分类，是数据分类的一个难题。问题来源于不均衡数据集的样本分布特点，以及传统分类算法固有的局限性。传统分类算法的重要前提是：数据集中各样本比例是均衡的；以总体最大精度为目标，很容易忽略少数类；所有的分类错误代价都相同。因此，如果用传统的分类器来直接处理不均衡数据集，会造成少数类样本的分类精度较差，尤其是数据不均衡严重时更是如此。鉴于目前研究不均衡分类问题都是基于不均衡的两类问题，则本文主要研究比较二类不均衡数据分类问题的常用策略。

1 不均衡数据分类策略

常用的不均衡数据分类策略主要有如下几类：在数据层面，通过重采样来解决数据分布不均衡状况；在算法层面，通过代价敏感算法或是集成算法提升不均衡数据分类时的性能；……