基于聚類(lèi)融合的不平衡數(shù)據(jù)分類(lèi)研究及其應(yīng)用.pdf

1、伴隨著數(shù)據(jù)采集、數(shù)據(jù)存儲(chǔ)等技術(shù)的不斷進(jìn)步，各個(gè)行業(yè)的數(shù)據(jù)呈現(xiàn)出爆炸式增長(zhǎng)。同時(shí)，數(shù)據(jù)的類(lèi)型也呈現(xiàn)出多樣化發(fā)展，其中不平衡數(shù)據(jù)就是一類(lèi)目前廣泛存在，并出現(xiàn)在許多領(lǐng)域的數(shù)據(jù)類(lèi)型，如出現(xiàn)在醫(yī)學(xué)上的疾病診斷、網(wǎng)絡(luò)上的防入侵系統(tǒng)，文本分類(lèi)等方面。在不平衡數(shù)據(jù)類(lèi)型中少數(shù)類(lèi)具有很高的研究?jī)r(jià)值，通常是人們研究的重點(diǎn)。
　　傳統(tǒng)的分類(lèi)算法由于更加關(guān)注數(shù)據(jù)整體的分類(lèi)效果，而由于多數(shù)類(lèi)的數(shù)量較多，導(dǎo)致算法對(duì)于多數(shù)類(lèi)的分類(lèi)效果較好，而對(duì)于少數(shù)類(lèi)的分類(lèi)性能

2、普遍不高。但在實(shí)際應(yīng)用中少數(shù)類(lèi)通常是我們關(guān)注的焦點(diǎn)，對(duì)于分類(lèi)結(jié)果起著關(guān)鍵作用。
　　針對(duì)這種情況，論文具體分析了傳統(tǒng)分類(lèi)算法對(duì)于少數(shù)類(lèi)數(shù)據(jù)分類(lèi)精度不高的原因，并以k-means算法為基礎(chǔ)，提出了基于聚類(lèi)融合的REKM算法，以改善不平衡數(shù)據(jù)集的不平衡程度。之后將該算法結(jié)合隨機(jī)森林分類(lèi)算法，提出了REKM-RF算法，用于不平衡數(shù)據(jù)的分類(lèi)。
　　通過(guò)對(duì)UCI數(shù)據(jù)上的實(shí)驗(yàn)表明，不平衡數(shù)據(jù)集經(jīng)REKM算法處理后，隨機(jī)森林算法對(duì)于數(shù)據(jù)集