基于不平衡數(shù)據(jù)的分類方法研究.pdf

1、數(shù)據(jù)分類作為數(shù)據(jù)挖掘的一項(xiàng)重要任務(wù)，國(guó)內(nèi)外學(xué)者進(jìn)行了大量的研究。但是這些傳統(tǒng)方法都是基于平衡數(shù)據(jù)進(jìn)行分類的，當(dāng)基于如醫(yī)學(xué)診斷、異常檢測(cè)等領(lǐng)域的數(shù)據(jù)時(shí)，由于這些數(shù)據(jù)在分布上不平衡，導(dǎo)致了少數(shù)類的漏報(bào)，所以基于不平衡數(shù)據(jù)的分類方法是本文的研究課題。
　　本文的研究工作是：對(duì)傳統(tǒng)的分類算法進(jìn)行研究，根據(jù)這些方法在不平衡數(shù)據(jù)集上的缺陷，學(xué)習(xí)了目前存在的不平衡數(shù)據(jù)分類方法；重點(diǎn)研究了DGC和IDGC模型，針對(duì)其局限性，提出了改進(jìn)的GIDGC

2、-KNN分類模型，并進(jìn)行了實(shí)驗(yàn)評(píng)估。
　　(1)基礎(chǔ)算法研究。從傳統(tǒng)分類算法如 SVM、KNN、決策樹(shù)和 AdaBoost等進(jìn)行學(xué)習(xí)，從不平衡分類算法如數(shù)據(jù)層面、代價(jià)敏感、單分類和集成學(xué)習(xí)等方面進(jìn)行研究，如SMOTE、weight SVM、One Class SVM、SSLM和SMOTEBoost。
　　(2)針對(duì) DGC和 IDGC分類模型，提出基于測(cè)地距離的局部相關(guān)分類模型GIDGC-KNN。首先從數(shù)據(jù)引力、特征權(quán)值選擇

3、、數(shù)據(jù)質(zhì)點(diǎn)創(chuàng)建分析了DGC和IDGC的分類原理。由于這兩個(gè)模型沒(méi)有考慮數(shù)據(jù)分布性狀和待測(cè)數(shù)據(jù)近鄰類相關(guān)性而存在準(zhǔn)確率低的問(wèn)題，提出了 GIDGC-KNN模型。該模型繼承了 IDGC的引力放大系數(shù)AGC，同時(shí)結(jié)合測(cè)地距離和KNN算法得到數(shù)據(jù)分布隱含的全局幾何結(jié)構(gòu)和近鄰樣本類相關(guān)性。而且該模型在數(shù)據(jù)質(zhì)點(diǎn)創(chuàng)建過(guò)程中采用了MNP，相對(duì)于IDGC中使用的MDP一定程度保留了原始數(shù)據(jù)的分布性狀和局部相關(guān)性，體現(xiàn)了改進(jìn)模型的先進(jìn)性。
　　(3)