面向不平衡数据集的一种基于SMOTE的集成学习算法

摘要：

合成少数类过采样技术(Synthetic Minority Over-sampling Technique,SMOTE)是一种用于处理不平衡数据的过采样方法,B-SMOTE在SMOTE的基础上把少数类的边界样本与少数类样本插值合成新训练样本.RB-SMOTE在B-SMOTE的基础上对少数类的边界样本进行区分,精细化分配新增样本的数量,从而提高了不平衡数据的分类精度.提出了面向不平衡数据集的一种基于SMOTE的集成学习算法,该方法通过RB-SMOTE合成不平衡率不一的多个新训练样本,组成相应的多个基分类器,再采用投票的方式对测试样本进行分类.仿真实验表明基于SMOTE的集成学习算法能有效改善不平衡数据集的不平衡性.

关键词：不平衡数据、过采样技术、分类、集成学习

所属期刊栏目：42

分类号：TP183;TP181(自动化基础理论)

资助基金：浙江省自然科学基金资助项目"面向不平衡数据集的分类方法研究"LY18F030003

在线出版日期：2020-11-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：64-69