不平衡数据的Takagi-Sugeno-Kang模糊分类集成模型

摘要：

集成学习是非线性系统的主流建模方法之一.但当常规的集成TSK模糊模型直接用于不平衡数据集时,其学习性能容易受到数据不平衡性的影响,因而常常会导致泛化能力差.为解决这一问题,基于TSK模糊模型提出了一种对不平衡数据处理的分类集成模型.基本思想是:首先利用SMOTE过采样方法对不平衡样本集做预处理,使得类别分布相对平衡,再引入AdaBoost方法对集成TSK模糊模型进行学习,集成时根据权值大小对样本进行随机采样,并通过多次训练对权值进行迭代更新,最后将生成的各个模型结果根据特定的加权方法结合,产生最终输出,使各模型得到充分的训练,进而提升整个集成TSK模糊模型的泛化能力.由此,提出了对应的不平衡数据的集成TSK模糊模型,并使用模型在多个数据集上进行实验,采用均方误差和精度对模型进行评估均有较好的效果,然后改变模型数量和规则数量等参数探究它们对模型性能的影响,并使用图像表示它们的变化情况,实验结果证明了所提出的集成学习算法的有效性.

关键词：TSK模糊模型、集成学习、AdaBoost、不平衡数据、SMOTE

所属期刊栏目：16

分类号：TP181(自动化基础理论)

资助基金：江苏省自然科学基金BK20191331

在线出版日期：2022-06-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1374-1382