不平衡数据多粒度集成分类算法研究*

陈丽芳，代 琪，赵佳亮

(华北理工大学理学院,河北 唐山 063210)

1 引言

不平衡数据分类问题是机器学习和数据挖掘领域的研究热点，不平衡数据集指的是数据集中各类别的样本数量不均衡，导致学习机学习少数类样本信息量不足，严重影响传统分类算法的分类性能[1]。传统分类算法虽然在结构上存在一定差异，却共同遵循误差最小化原则。在平衡数据集上，采用误差最小化原则能够得到最优结果，针对不平衡数据，此原则将会导致分类面向多数类偏移，难以得到准确的分类结果[2]。传统分类器不能有效地表现不平衡数据集的结构特征，难以确定不平衡数据集的真实分类边界，导致少数类样本分类精度降低。

集成学习(Ensemble Learning)融合了多个弱学习机的学习框架，与传统分类器相比，集成学习框架下的分类器具有更高的泛化性能和分类精度。曹雅茜等[3]利用高斯混合分布的概率模型构造平衡数据集，扩大少数类样本的潜在决策域，过滤冗余噪声特征，并对错分样本和剩余特征赋权，通过加权集成策略获得最终分类结果。陈圣灵等[4]根据基分类器分类结果对少数类样本进行过采样，增大少数类样本的权重，并借鉴Focal Loss思想根据基分类器分类结果直接优化自适应提升算法Adaboost(Adaptive boosting)权重，提升分类器的分类精度。Borowska等[5]提出一种新颖的粗粒度计算方法，通过形成信息粒，并分析其在少数类样本中的包容程度，获得给定问题的分类结果。Barua等[6]提出一种多数……