[发明专利]一种针对不均衡数据的算法推荐方法

说明书

本发明公开了一种针对不均衡数据的算法推荐方法，使用特征提取方法提取数据集的特征并对每一维特征分别进行标准化，从而得到数据集的元特征。然后使用AUC，Recall以及算法的运行时间来评估候选算法的性能。在收集元目标时，获取候选算法在不均衡数据集上的性能指标，对候选算法排序，并使用得分的方法将三个候选算法序列进行融合，最终得到元目标，即候选算法的排序序列。在给新数据集推荐算法时，通过特征提取方法获取新数据集的特征向量，使用标准化方法，对新数据集的特征向量进行标准化。然后使用KNN方法获取新数据集的K个近邻的候选算法序列，通过将这K个邻居的候选算法序列加和并重新排序，就得到了新数据集的候选算法序列。

技术领域

本发明涉及算法推荐技术领域，特别涉及一种针对不均衡数据的算法推荐方法。

背景技术

随着从数据中挖掘有用信息的需求越来越高，研究人员提出了许多基于不同假设空间的学习算法。然而没有任何分类算法能够在所有现存的分类问题上都取得非常好的效果，因此，在实际的分类问题中很难为其选择一个合适的分类算法，如何为数据集选择合适的分类算法就显得尤为重要。决定不同的算法推荐性能差距的最大方面有：特征提取方法、元目标选择和合适算法识别，针对不均衡数据，通过对取不同特征时推荐算法的性能分别做了比较，从而选择最好的特征提取方法。

发明内容

本发明目的在于提供一种针对不均衡数据的算法推荐方法。本方法提出的针对不均衡数据集的算法推荐方法不仅考虑到分类器在数据集上的AUC，同时综合考虑了少数类上的Recall以及算法的运行时间，并使用序列融合的方法将三个序列结合起来。这样在给不均衡数据集做算法推荐时，在少数类上的表现会相对更好。

本发明是通过以下技术方案来实现：

一种针对不均衡数据的算法推荐方法，包括以下步骤：

步骤1，元特征收集：

使用基于距离度量的特征，通过计算数据集中两两实例之间的距离，然后将这些距离排序，分别计算出距离序列的特征集合，用于反映了数据集中实例之间的关系；

步骤2，元目标收集：

首先需要进行合适算法识别，在数据集上度量所有的候选算法，采用十折交叉验证的方法；

步骤3，根据各个指标对候选算法进行排序：

在收集完候选算法在不均衡数据集上的性能之后，需要对候选算法进行排序；在得到候选算法的最终排序序列后，还需要将元特征与元目标结合起来构成了元数据集；

步骤4，推荐器的构建及新数据集合适算法推荐：

使用KNN进行算法推荐，KNN推荐器的构建和新数据集合适算法推荐同时进行，当有新数据集时，首先提取数据集的元特征，然后通过元特征计算出该数据集的k个近邻，然后将k个近邻的元目标进行整合，整合方法就是将对应候选算法的排名加在一起，然后再重新按照加和之后的结果进行排序；即得到新数据集候选算法的排序序列，推荐过程完成。

作为本发明的进一步改进，步骤1中，距离序列的特征集合包括距离序列的均均值、方差、标准差、峰度、偏度、归一化后的频率和Z-Score的频率。

作为本发明的进一步改进，步骤2中，十折交叉验证是将数据集分成十份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验；在进行合适算法识别时，通过十折交叉验证方法得到算法在数据集上的AUC、Recall。

作为本发明的进一步改进，步骤3的具体步骤为：