基于OCkNN+ENN的过采样算法研究
张爱民
于化龙
江苏科技大学计算机学院 镇江 212100
摘要：类不平衡学习是机器学习领域热点问题之一.在类别不平衡学习方法中,SMOTE被认为是其中的一个基准算法.虽然SMOTE算法在绝大多数的类不平衡数据集上表现良好,但它也存在一些问题,如会产生噪声干扰和噪声传播.基于对SMOTE改进算法的研究,提出了一种更加鲁棒和通用的算法:ONE-SMOTE.研究发现:使用ENN进行数据清洗,可以很好地消除数据噪声,使用基于KNN的一类分类器(OCkNN)可以探测样本空间的相对密度分布信息,并精确定位每个样本的相对密度位置以及边界.基于样本位置信息进行过采样可以很好地保持原始样本空间的密度分布.实验结果表明:该算法能有效提高数据分类的准确性.
关键词：类不平衡学习SMOTEENNOCkNN相对密度分布信息
分类号：TP181(自动化基础理论)
资助基金：国家自然科学基金(62176107)江苏省自然科学基金(BK20191457)
论文发表日期：2024-05-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：8( 1275-1281,1330 )
英文信息