计算机应用

作者：杨浩, 王宇, 张中原

单位：1. 河海大学 计算机与信息学院, 南京 211100;2. 滑铁卢大学 计算机系, 安大略 滑铁卢 N2L 3G1, 加拿大

关键词：代价敏感,最大化最小间隔,样本间距离,贝叶斯决策理论,集成

基金：国家自然青年科学基金资助项目（61103017）；中国科学院感知中国先导专项子课题项目（XDA06040504）。

为了解决不均衡数据集的分类问题和一般的代价敏感学习算法无法扩展到多分类情况的问题，提出了一种基于K最近邻（KNN）样本平均距离的代价敏感算法的集成方法。首先，根据最大化最小间隔的思想提出一种降低决策边界样本密度的重采样方法；接着，采用每类样本的平均距离作为分类结果的判断依据，并提出一种符合贝叶斯决策理论的学习算法，使得改进后的算法具备代价敏感性；最后，对改进后的代价敏感算法按K值进行集成，以代价最小为原则，调整各基学习器的权重，得到一个以总体误分代价最低为目标的代价敏感AdaBoost算法。实验结果表明，与传统的KNN算法相比，改进后的算法在平均误分代价上下降了31.4个百分点，并且代价敏感性能更好。

来源：2019年第7期

《计算机应用》期刊编辑部

查看计算机应用杂志2019年第7期