基于KNN和插值过程优化的过采样改进算法OA
通过合成少数类样本改变数据分布的方式可以对不平衡数据集进行优化,而传统的过采样算法在合成新样本时存在盲目性和边界模糊的问题。提出一种基于正态分布改进的再分类SMOTE算法,通过KNN算法思想将少数类样本进行再分类,根据少数类样本之间的组合有针对性地选取不同的合成策略,并在一定的分类条件下由正态分布代替均匀随机分布进行插值运算。实验表明,经过该算法处理的非平衡数据分类模型相较于传统过采样算法在G-mean、F-measure和AUC三种评价指标上有更好的表现。
陈一衡;邹劲柏;刘立海;胡传搏
上海应用技术大学轨道交通学院,上海201418上海应用技术大学轨道交通学院,上海201418中铁第四勘察设计院集团有限公司,湖北武汉430063上海应用技术大学轨道交通学院,上海201418
信息技术与安全科学
少数类合成过采样技术最邻近算法非平衡数据集分类
《计算机应用与软件》 2026 (7)
P.294-299,6
上海市科委-轨道交通智能运维关键技术研究(20090503100)中国国家铁路集团有限公司科技研究开发计划项目(N2022G048)。
评论