换一批摘要在一些现实场景中,数据不平衡问题普遍存在,严重影响模型的预测结果.合成少数类过采样技术(Synthetic Minority Over-Sampling Technique,SMOTE)是解决非平衡分类问题的一种方法,但存在局限性.针对数据中的类不平衡问题,提出基于数据分布和聚类加权的改进SMOTE随机森林分类算法(Random Forest Using SMOTE Based on Data Distribution and Cluster Weighting,DCSMOTE-RF).该算法通过获取样本分布信息,将少数类样本划分到不同簇群,根据簇群信息量为每个区域分配不同合成份额;少数类样本结合自身权重,生成相应规模的目标样本;通过基于随机森林学习评价训练数据.10 组非平衡数据集仿真试验结果表明,DCSMOTE-RF算法对非平衡数据具有较好的预测效果.
更多相关知识
关键词
非平衡分类合成少数类过采样技术随机森林聚类imbalanced classificationsynthetic minority over-sampling techniquerandom forestclustering
分类号
TP181
栏目名称
DOI
10.11713/j.issn.1009-4822.2024.05.023
发布时间
2024-07-19（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家自然科学基金（42004153）
北华大学研究生创新计划项目（2022007）
- 浏览15
- 被引1
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
