文献类型：期刊文章

作　　者：刘丹[1] 王晓兰[2] 邢胜[1]

LIU Dan;WANG Xiao-lan;XING Sheng(College of Computer Science and Engineering,Cangzhou Normal University;Department of Information Engineering,Cangzhou Technical College,Cangzhou 061001,China)

机构地区：[1]沧州师范学院计算机科学与工程学院 [2]沧州职业技术学院信息工程系,沧州061001

出　　处：《科学技术与工程》

基　　金：国家自然科学基金(71371063;61170040;61672205)资助

年　　份：2018

卷　　号：18

期　　号：28

起止页码：215-219

语　　种：中文

收录情况：BDHX、BDHX2017、RCCSE、ZGKJHX、核心刊

摘　　要：针对传统的合成少数类过采样技术(synthetic minority oversampling technique,SMOTE)在类别区域重合的数据集应用时,可能产生多个更接近多数类的人工样例,甚至突破类别边界,从而影响整体分类性能的情况,提出了一种最近三角区域的SMOTE方法,使合成的人工样例只出现在少数类样例的最近三角区域内部,并且删除掉距离多数类更近的合成样例,从而使生成的样例更接近少数类,且不突破原始的类别边界。实验分别在人工数据集和改进的UCI数据集上进行,并和原始的SMOTE方法分别在G-mean和F-value的评价指标上进行了对比。实验结果验证了改进的SMOTE方法在类别区域有重合的数据集上要优于原始SMOTE方法。

关 键 词：不平衡数据 过采样方法  分类  最近邻规则  

分 类 号：TP181]