[发明专利]一种基于聚类下采样的不平衡数据分类方法

权利要求书

1.一种基于聚类下采样的不平衡数据分类方法，其特征在于，包括下述步骤：

（1）将不平衡数据集分为训练集和交叉验证集两部分；

（2）从训练集中提取出多类样本和少类样本；

（3）对训练集的多类样本利用快速搜索和发现密度峰值聚类算法进行聚类，获得聚类结果，将训练集中的多类样本分为N簇；

（4）将训练集中多类样本的每一簇样本与训练集中的少类样本构成新的样本集，并用支持向量机分类，获得训练集中多类样本的支持向量；

（5）抽取每一簇的支持向量和训练集中的少类样本一起构成新的训练集；

（6）将新的训练集通过支持向量机进行训练，并通过交叉验证集进行性能评估。

2.如权利要求1所述的一种基于聚类下采样的不平衡数据分类方法，其特征在于，步骤（1）中，训练集合交叉集的比例根据需要进行分配，取十折交叉验证，即将数据集分成十分，将其中9份作为训练集，1份作为测试集。

3. 如权利要求1所述的一种基于聚类下采样的不平衡数据分类方法，其特征在于，步骤（3）中，聚类算法实施步骤为：1）根据局部密度的定义，计算每个多类样本点的局部密度；2）根据进行降序排序；3）令，根据相邻密度点距离公式求得距离；4）根据和的关系决策图，选择簇中心，簇中心可认为是值较大的样本点；5）根据簇中心将剩余样本点分到各个簇中；局部密度的定义为，其中定义为，为多类样本点到其他点的距离，为距离阈值；相邻密度点距离定义为。

4.如权利要求1所述的一种基于聚类下采样的不平衡数据分类方法，其特征在于，步骤（4）中，在获取训练集中多类样本的每一簇样本的支持向量时，通过调整支持向量机的惩罚参数C和核函数参数来控制支持向量的个数，支持向量在支持向量机的分类中起决策作用，包含了多类样本的重要信息，保留了每一簇的支持向量，即保留了多类样本包含信息量最大的样本，剔除掉多类样本中不是支持向量的样本点，达到减少多类样本点的目的。

5.如权利要求1所述的一种基于聚类下采样的不平衡数据分类方法，其特征在于，步骤（5）中，每一簇的支持向量的合集应和训练集中的少类样本个数接近。

6.如权利要求1所述的一种基于聚类下采样的不平衡数据分类方法，其特征在于，步骤（6）中，分类性能评估的标准为几何平均正确率G-mean和少类的精确度和召回率的平均值F-measure。