集成学习算法在不平衡分类中的应用研究  

Using Ensemble Learning Strategy to Handle Class Imbalance Problems

作　　者：文益民[1,2] 李健[2] 杜飞明[2] 陈方[2] 

机构地区：[1]湖南大学电气与信息工程学院,湖南长沙410082 [2]湖南工业职业技术学院信息工程系,湖南长沙410208

出　　处：《计算技术与自动化》2009年第2期103-106,共4页Computing Technology and Automation

基　　金：湖南省博士后科研资助专项计划项目(2008RS4005);湖南省教育科学十一五规划课题(XJK08BXJ001)

摘　　要：提出一种基于训练集分解的不平衡分类算法,该算法使用能输出后验概率的支持向量机作为分类器,使用基于测度层次信息源合并规则实现分类器的集成。在4个不同领域的不平衡数据集上的仿真实验表明:该算法有效提高分类器对正类样本的正确率,同时尽量减少对负类样本的误判。实验结果验证集成学习算法处理不平衡分类问题的有效性。Based on the strategy of partitioning training set, an algorithm was proposed to handle class imbalance problems. Support vector machines which can output posterior probability were used as base classifiers and then combined by a rule of information fusion at measure - level. Experimental results on four problems in different fields show that the proposed algorithm cart get higher classification accuracy to positive class while does its best to decrease the classification error to negative class.

关 键 词：机器学习 类不平衡 集成学习 评测标准 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]