不平衡数据度量指标优化的提升分类方法

摘要：

为提高不平衡数据的分类性能,提出了基于度量指标优化的不平衡数据Boosting算法.该算法结合不平衡数据分类性能度量标准和Boosting算法,使用不平衡数据分类性能度量指标代替原有误分率指标,分别采用带有权重的正类和负类召回率、F-measure和G-means指标对Boosting算法进行优化,按照不同的度量指标计算Alpha值进行迭代,得到带有加权值的弱学习器组合,最后使用Boosting算法进行优化.经过实验验证,与带有权重的Boosting算法进行比较,该算法对一定数据集的AUC分类性能指标有一定提高,错误率有所下降,对F-measure和G-mean性能指标有一定的改善,说明该算法侧重提高正类分类性能,改善不平衡数据的整体分类性能.

关键词：不平衡数据集、二分类、曲线下面积(AUC)、度量指标优化、Boosting算法

所属期刊栏目：54

分类号：TP391(计算技术、计算机技术)

资助基金：山西省自然科学基金2015011039

在线出版日期：2018-11-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：128-132