一种基于Boosting的集成学习算法在不均衡数据中的分类

被引：142

作者：

李诒靖 ^{[1
,2
]}

郭海湘 ^{[1
,2
]}

李亚楠 ^{[1
,2
]}

刘晓 ^{[1
,2
]}

机构：

[1] 中国地质大学经济管理学院

[2] 中国地质大学数字化商务与智能管理研究中心

来源：

系统工程理论与实践 | 2016年 / 01期

基金：

中央高校基本科研业务费专项资金资助;

关键词：

不均衡数据; 特征提取; 分类; 石油储层;

D O I：

暂无

中图分类号：

TP391.4 [模式识别与装置];

学科分类号：

081102 [检测技术与自动化装置];

摘要：

针对多类别不均衡数据的分类问题,从数据集的特征选择和集成学习两个角度出发,提出了一种新的针对不均衡数据的分类方法—BPSO-Adaboost-KNN算法,算法采用基于多分类问题的可视化的AUCarea作为分类评价指标.为了测试算法的性能,本文选取了10组UCI和KEEL选取的测试数据集进行测试,结果表明本算法在有效提取关键特征后提高了Adaboost的稳定性,在十组数据的分类精度上相比单纯使用KNN分类器有20%40%不等的提高.在本算法和其他state-of-the-art集成分类算法对比中,BPSO-Adaboost-KNN能够取得较优或相当的结果.最后,本文将该算法应用到石油储层含油性的识别中,成功提取了声波、孔隙度和含油饱和度三个关键属性,在分类精度上相比传统分类算法有了大幅度提高,在江汉油田五口油井oilsk81~oilsk85上的分类精度均达到98%以上,比单纯使用KNN的精度高出了20%,尤其在最易错分的油层和差油层中有良好的分类效果.

引用

页码：189 / 199

页数：11

共 19 条

[1]

AdaBoost算法研究进展与展望 [J].