基于Bagging集成学习的多集类不平衡学习

摘要：

类不平衡分类问题是模式识别与机器学习领域研究的热点问题之一,广泛出现在软件缺陷预测、医疗诊断、目标检测等实际应用场景中.现有的类不平衡学习算法通常关注如何通过减少多数类样本数量或增加少数类样本数量来平衡数据集,而忽视了类不平衡数据中常存在的噪声样本以及各类样本间分布重叠的问题,导致算法的分类性能有待提升.为解决上述问题,提出基于Bagging集成学习的多集类不平衡学习算法.该算法由基于Bagging的多集构建和特征提取与多集融合两个模块构成,基于Bagging的多集构建部分通过改进的重采样算法构建多个平衡训练集并去除多数类样本中的噪声样本;特征提取与多集融合部分利用线性判别分析提高样本分离度并融合多个训练集所训练的分类器的预测结果.实验结果表明,该方法具有良好的类不平衡分类性能.

关键词：类不平衡学习;重采样;线性判别分析;集成学习;多集学习

所属期刊栏目：31

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金61702280

在线出版日期：2021-10-28（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：1-6