控制与决策

作者：陈刚,吴振家

单位：大连海事大学理学院，辽宁大连116026,,大连海事大学理学院，辽宁大连116026,

关键词：分类;非平衡数据;概率密度函数;GMM-EM;概率增强

基金：国家自然科学基金项目(11571056).

非平衡数据的分类问题是机器学习领域的一个重要研究课题.在一个非平衡数据里,少数类的训练样本明显少于多数类,导致分类结果往往偏向多数类.针对非平衡数据分类问题,提出一种基于高斯混合模型-均值最大化方法(GMM-EM)的概率增强算法.首先,通过高斯混合模型(GMM)与均值最大化算法(EM)建立少数类数据的概率密度函数;其次,根据高概率密度的样本生成新样本的能力比低概率密度的样本更强的性质,建立一种基于少数类样本密度函数的过采样算法,该算法保证少数类数据集在平衡前后的概率分布的一致性,从数据集的统计性质使少数类达到平衡;最后,使用决策树分类器对已经达到平衡的数据集进行分类,并且利用评价指标对分类效果进行评判.通过从UCI和KEEL数据库选出的8组数据集的分类实验,表明了所提出算法比现有算法更有效.

来源：2020年第3期

《控制与决策》期刊编辑部

查看控制与决策杂志2020年第3期