【摘要】：處理類不平衡數(shù)據(jù)時(shí),少數(shù)類的邊界實(shí)例非常容易被錯(cuò)分。為了降低類不平衡對(duì)分類器性能的影響,提出了自適應(yīng)邊界采樣算法(AB-SMOTE)。AB-SMOTE算法對(duì)少數(shù)類的邊界樣本進(jìn)行自適應(yīng)采樣,提高了數(shù)據(jù)集的平衡度和有效性;同時(shí)將AB-SMOTE算法與數(shù)據(jù)清理技術(shù)融合,形成基于Ada Boost的集成算法ABTAdaBoost。ABTAda Boost算法主要包括三個(gè)階段:對(duì)訓(xùn)練數(shù)據(jù)集采用AB-SMOTE算法,降低數(shù)據(jù)集的類不平衡度;使用Tomek links數(shù)據(jù)清理技術(shù)清除數(shù)據(jù)集中的噪聲和抽樣方法產(chǎn)生的重疊樣例,有效提高數(shù)據(jù)的可用性;使用Ada Boost集成算法生成一個(gè)基于N個(gè)弱分類器的集成分類器。實(shí)驗(yàn)分別以J48決策樹和樸素貝葉斯作為基分類器,在12個(gè)UCI數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,ABTAda Boost算法的預(yù)測(cè)性能優(yōu)于其他幾種算法。
[Abstract]:When dealing with class imbalance, the boundary instances of a few classes are easily misclassified. In order to reduce the influence of class imbalance on the performance of classifier, an adaptive boundary sampling algorithm (AB-SMOTE). AB-SMOTE algorithm is proposed to self-adaptively sample a few kinds of boundary samples, which improves the balance and effectiveness of the data set. At the same time, the integration of AB-SMOTE algorithm and data cleaning technology is combined to form the ABTAdaBoost.ABTAda Boost algorithm based on Ada Boost, which includes three stages: to reduce the class imbalance of the data set by using AB-SMOTE algorithm to the training data set; The Tomek links data cleaning technique is used to remove the noise in the data set and the overlapping sample generated by the sampling method, which effectively improves the availability of the data, and uses the Ada Boost integration algorithm to generate an integrated classifier based on N weak classifiers. J48 decision tree and naive Bayes are used as basis classifiers respectively. The experimental results on 12 UCI datasets show that the prediction performance of UCI Boost algorithm is superior to that of other algorithms.
【作者單位】： 南通大學(xué)電子信息學(xué)院;南通大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院;南通理工學(xué)院計(jì)算機(jī)與信息工程學(xué)院;
【基金】：國(guó)家自然科學(xué)基金資助項(xiàng)目(NSF61202006/61272424) 計(jì)算機(jī)軟件新技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室開放課題(KFKT2012B29) 江蘇省自然科學(xué)基金資助項(xiàng)目(BK2010277) 江蘇省科技創(chuàng)新基金資助項(xiàng)目(BC2013167)
【分類號(hào)】：TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊娟娟;;大型數(shù)據(jù)中心數(shù)據(jù)清理的策略與方法[J];中國(guó)金融電腦;2011年09期

2 覃遠(yuǎn)翔;段亮;岳昆;;基于信息熵的不確定性數(shù)據(jù)清理方法[J];計(jì)算機(jī)應(yīng)用;2013年09期

3 趙江,徐魯安;基于AdaBoost算法的目標(biāo)檢測(cè)[J];計(jì)算機(jī)工程;2004年04期

4 徐啟華;楊瑞;;基于AdaBoost算法的故障診斷仿真研究[J];計(jì)算機(jī)工程與設(shè)計(jì);2005年12期

5 楊艷;燕東渭;趙奎鋒;魏亭;;綜合學(xué)習(xí)方法AdaBoost在暴雨預(yù)測(cè)中的應(yīng)用[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2007年01期

6 何毓知;陸建峰;;基于Adaboost的行道線檢測(cè)[J];江南大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年06期

7 郭喬進(jìn);李立斌;李寧;;一種用于不平衡數(shù)據(jù)分類的改進(jìn)AdaBoost算法[J];計(jì)算機(jī)工程與應(yīng)用;2008年21期

8 別致;周俊生;陳家駿;;基于SVM-Adaboost的中文組塊分析[J];計(jì)算機(jī)工程與應(yīng)用;2008年21期

9 何海燕;施培蓓;;基于改進(jìn)AdaBoost算法的行人檢測(cè)方法[J];安慶師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2009年03期

10 ;Large scale classification with local diversity AdaBoost SVM algorithm[J];Journal of Systems Engineering and Electronics;2009年06期

相關(guān)會(huì)議論文 前6條

1 Jia Mingxing;Du Junqiang;Cheng Tao;Yang Ning;Jiang Yi;Zhang Zhen;;An Improved Detection Algorithm of Face with Combining AdaBoost and SVM[A];第25屆中國(guó)控制與決策會(huì)議論文集[C];2013年

2 楊韶瑞;高愛華;秦文罡;;基于支持向量機(jī)和AdaBoost的行人檢測(cè)[A];2011西部光子學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2011年

3 李雅芹;楊慧中;;基于改進(jìn)的Adaboost.RT模糊支持向量回歸機(jī)集成算法[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第二分冊(cè)）[C];2009年

4 眭新光;沈蕾;燕繼坤;朱中梁;;基于Adaboost的文本隱寫分析[A];全國(guó)網(wǎng)絡(luò)與信息安全技術(shù)研討會(huì)論文集（上冊(cè)）[C];2007年

5 易輝;宋曉峰;姜斌;王定成;;基于AdaBoost方法的支持向量機(jī)訓(xùn)練樣本選擇[A];2009全國(guó)虛擬儀器大會(huì)論文集（一）[C];2009年

6 ;Pedestrian Detection Using Haar-Like Features Based on Visual Memory[A];Proceedings of 14th Chinese Conference on System Simulation Technology & Application(CCSSTA’2012)[C];2012年

相關(guān)博士學(xué)位論文 前5條

1 吳濤;粒子群及量子行為粒子群優(yōu)化算法的改進(jìn)研究[D];西南交通大學(xué);2014年

2 蔡先發(fā);基于圖的半監(jiān)督算法及其應(yīng)用研究[D];華南理工大學(xué);2013年

3 蔣良孝;樸素貝葉斯分類器及其改進(jìn)算法研究[D];中國(guó)地質(zhì)大學(xué);2009年

4 孫巖;貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法研究與應(yīng)用[D];大連理工大學(xué);2010年

5 吳偉寧;主動(dòng)學(xué)習(xí)算法中采樣策略研究[D];哈爾濱工業(yè)大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 李瑞;AdaBoost算法框架下的仿生神經(jīng)網(wǎng)絡(luò)算法[D];西安電子科技大學(xué);2015年

2 阮天波;基于移動(dòng)智能終端的行車監(jiān)控系統(tǒng)研究與實(shí)現(xiàn)[D];浙江工商大學(xué);2015年

3 解華;AdaBoost多項(xiàng)式算法在選礦電氣控制系統(tǒng)中的應(yīng)用研究[D];遼寧工程技術(shù)大學(xué);2015年

4 張晶;基于AdaBoost回歸樹的多目標(biāo)預(yù)測(cè)算法的研究[D];北京交通大學(xué);2017年

5 宋佳花;跌倒檢測(cè)關(guān)鍵技術(shù)研究[D];山東大學(xué);2017年

6 龍敏;基于多示例學(xué)習(xí)的Adaboost算法及其在人臉檢測(cè)中的應(yīng)用[D];上海交通大學(xué);2007年

7 寧軻;基于神經(jīng)網(wǎng)絡(luò)擴(kuò)張的Adaboost人臉檢測(cè)算法研究[D];廣西大學(xué);2013年

8 張德鋒;基于膚色模型和Adaboost算法的人臉檢測(cè)系統(tǒng)[D];大連理工大學(xué);2009年

9 高艷;基于軟間隔的AdaBoost弱分類器權(quán)重調(diào)整算法[D];西安電子科技大學(xué);2011年

10 朱誼強(qiáng);基于Adaboost算法的實(shí)時(shí)行人檢測(cè)系統(tǒng)[D];西北工業(yè)大學(xué);2006年

，

本文編號(hào)：2153975