SMOTE和Biased-SVM相结合的不平衡数据分类方法

被引：18

作者：

王和勇 ^{[1
]}

樊泓坤 ^{[2
]}

姚正安 ^{[2
]}

机构：

[1] 华南理工大学电子商务学院

[2] 中山大学数学与计算科学学院

来源：

计算机科学 | 2008年 / 05期

关键词：

机器学习; 不平衡数据; 数据分类; SMOTE; Biased-SVM;

D O I：

暂无

中图分类号：

TP391.4 [模式识别与装置];

学科分类号：

0811 ; 081101 ; 081104 ; 1405 ;

摘要：

针对不平衡数据集的分类问题,本文利用支持向量机推广能力强的优良特性,提出了SMOTE(Synthetic Minority Over-sampling Technique,SMOTE)和Biased-SVM(Biased Support Vector Machine,Biased-SVM)相结合的方法。该方法首先对原始数据使用Biased-SVM方法,然后对求出的支持向量使用SMOTE向上采样方法进行采样,最后再使用Biased-SVM方法进行分类。实验结果表明,本文采用的SMOTE和Biased-SVM相结合的方法可提高不平衡数据集分类精度。

引用

页码：174 / 176

页数：3

共 3 条

[1]

统计模式识别[M]. 电子工业出版社 , (英)AndrewR.Webb著, 2004

[2]

Learning Classifi- ers from Imbalanced Data Based on Biased Minimax Probability Machine. Huang Kaizhu,Yang Haiqin,King I, et al. Proceedings of the IEEE Computer Society Confer- ence on Computer Vision and Pattern Recognition . 2004

[3]

Class-boundary Alignment for Imbalanced Dataset Leaming. Wu G,Chang E. The Twentieth International Conference on Machine Leaming（ICML）Workshop on Learning from Imbal- anced Datasets . 2003

← 1 →