基于空间近邻关系的非平衡数据重采样算法

李睿峰，李文海，孙艳丽，吴阳勇

海军航空大学，烟台 264001

非平衡数据的分类问题已经成为当今许多数据密集型应用中一个关键的研究方向[1]，例如信用卡欺诈数据[2]、网络入侵[3]、金融工程[4]、生物医学数据分析[5]和设备故障检测[6]等. 这类应用中的少数类样本通常蕴含重要的信息，是数据分析的重要目标，其已成为数据挖掘研究的热点之一[7].例如在设备故障检测应用中，不平衡的测试数据广泛存在，通常正常样本的数据量要远远大于故障样本[8]. 由此导致使用传统的故障诊断方法训练所得的结果分类器对正常样本产生很高的检测率，对故障样本的检测和隔离效果却很差，而故障样本的检测率在故障诊断领域中更有意义，也更为重要.

目前，机器学习和数据挖掘领域针对不平衡数据集的处理思路[9]主要有两大类：改进算法[10]以适应非平衡数据集，或者对数据集进行重构[1]以适应现有的分类算法. 改进算法是指在算法层面进行改进以适应非平衡学习问题，如代价敏感学 习[11]、 支 持 向 量 机[12]（ Support vector machine，SVM）、集成学习[13]等. 通过修改算法中的代价敏感信息以适应数据不平衡，但也面临着一些问题，如修改算法后如何避免分类性能恶化，多类分类问题的代价敏感信息确定困难等[14]. 数据集重构也称为重采样方法，它在不修改分类算法的情况下修改训练数据集的大小，可容易地应用于任何分类算法. 重采样方法利用少数类样本过采样和多数类样本欠采……