计算机应用

作者：莫赞, 盖彦蓉, 樊冠龙

单位：1. 广东工业大学 管理学院, 广州 510520;2. 香港浸会大学 计算机系, 香港 999077

关键词：对抗生成网络,集成学习,不平衡分类,二分类,自适应增强,决策树,信用卡欺诈

基金：国家自然科学基金资助项目（711710）；"十二五"国家科技支撑计划项目（2011BAD13B11）；广东省海洋经济创新发展区域示范专项项目（GD2013-D01-001）。

针对传统单个分类器在不平衡数据上分类效果有限的问题，基于对抗生成网络（GAN）和集成学习方法，提出一种新的针对二类不平衡数据集的分类方法——对抗生成网络-自适应增强-决策树（GAN-AdaBoost-DT）算法。首先，利用GAN训练得到生成模型，生成模型生成少数类样本，降低数据的不平衡性；其次，将生成的少数类样本代入自适应增强（AdaBoost）模型框架，更改权重，改进AdaBoost模型，提升以决策树（DT）为基分类器的AdaBoost模型的分类性能。使用受测者工作特征曲线下面积（AUC）作为分类评价指标，在信用卡诈骗数据集上的实验分析表明，该算法与合成少数类样本集成学习相比，准确率提高了4.5%，受测者工作特征曲线下面积提高了6.5%；对比改进的合成少数类样本集成学习，准确率提高了4.9%，AUC值提高了5.9%；对比随机欠采样集成学习，准确率提高了4.5%，受测者工作特征曲线下面积提高了5.4%。在UCI和KEEL的其他数据集上的实验结果表明，该算法在不平衡二分类问题上能提高总体的准确率，优化分类器性能。

来源：2019年第2期

《计算机应用》期刊编辑部

查看计算机应用杂志2019年第2期