[发明专利]非平衡样本分类的集成迁移学习方法

权利要求书

1.一种非平衡样本分类的集成迁移学习方法，其特征是，包括如下步骤：

1)将迁移辅助数据集A与目标数据集O按比例混合成训练数据集C；

2)初始化样本权重；

3)求出归一化样本权重；

设迭代总次数为T，从1到T每轮迭代训练依次完成下面4)～9)步：

4)随机抽取训练子集D；

5)如果训练子集D中含有正负两类样本，则执行第6)步；否则，在不包含的另一类中抽取部分样本填入训练子集D，以确保训练子集D中存在正负两类样本；

6)在训练子集D上，用弱学习算法P，训练基分类器并集成求和得到弱分类器；

7)计算弱分类器h_t在目标训练数据上的训练错误率，其中t为迭代因子；

8)根据分类错误率调整样本权值；

9)动态剔除冗余数据；

10)得到最终集成分类器输出正样本和负样本。

2.如权利要求1所述的集成迁移学习方法，其特征是，步骤1)中，分别在迁移辅助数据集A与目标数据集O中抽取部分数据按比例混合成训练数据集C，C＝{(X₁，Y₁)，(X₂，Y₂)，…，(X_N，Y_N)}，其中(X_i，Y_i)是由样本特征属性向量和样本类别组合成的训练样本，i＝1，2，…，N；训练数据集C中前n个样本为A中数据，剩下的m个样本为O中的数据，n+m＝N；其中X_i∈X，X为输入样本数据，X_i是样本的特征属性向量，维数为q，Y_i∈{0，+1}是样本的类别标签。

3.如权利要求1所述的集成迁移学习方法，其特征是，步骤3)中，归一化样本权重的计算方法为：将每个样本的初始化权重除以总的样本权重，即得到归一化后的样本权重。

4.如权利要求1所述的集成迁移学习方法，其特征是，步骤4)中，抽取的训练子集D中所含样本数量为C中的一半。

5.如权利要求1所述的集成迁移学习方法，其特征是，步骤6)中，所述弱学习算法为决策树，人工神经网络，SVM。