[发明专利]一种改进的过采样SMOTE算法

说明书

本发明公开了一种改进的过采样SMOTE算法，涉及SMOTE算法技术领域；它的步骤如下：将信用卡欺诈交易使用K均值聚类，得到a个聚类中心，计算每个类中的点到该类中心点的距离p，信用卡数据集样本数据表示为：QUOTE 式中，N为信用卡训练集样本数据,样本个数为QUOTE ，QUOTE 为信用卡正常交易数据，样本个数为QUOTE ，QUOTE 为信用卡欺诈交易数据QUOTE ；本发明采用K均值(K‑means)聚类和SMOTE算法生成新的数据，可以保证样本边界信息，克服样本重叠问题。

技术领域

本发明属于SMOTE算法技术领域，具体涉及一种改进的过采样SMOTE算法。

背景技术

信用卡数据集是一个不平衡数据集，信用卡被盗刷交易占总体的比例通常不足1%，样本不平衡影响分类器的学习能力，使分类器向多样本数据倾斜，SMOTE算法是一种过采样增加样本数据的方法，可以有效的扩大其中少量样本的规模使样本数据达到平衡状态，但不能保证数据的分布信息，新增样本可能会大量出现在边界附近，出现过泛化、样本重叠、噪声等问题。

发明内容

为解决现有不能保证数据的分布信息，新增样本可能会大量出现在边界附近，出现过泛化、样本重叠、噪声等问题；本发明的目的在于提供一种改进的过采样SMOTE算法。

本发明的一种改进的过采样SMOTE算法，它的步骤如下：

将信用卡欺诈交易使用K均值聚类，得到a个聚类中心，计算每个类中的点到该类中心点的距离p，信用卡数据集样本数据表示为：

式中，N为信用卡训练集样本数据,样本个数为 QUOTE ， QUOTE 为信用卡正常交易数据，样本个数为 QUOTE ， QUOTE 为信用卡欺诈交易数据 QUOTE；

式中， QUOTE 为欺诈数据第i个类，该类样本数量为 QUOTE ，样本 QUOTE ( QUOTE )到所属类的距离为 QUOTE 且使 QUOTE ， QUOTE为欺诈样本中不属于任何类的孤立点，样本数量为 QUOTE ；

期望训练集中欺诈数据占正常数据的 QUOTE ，则欺诈样本第i个类需要添加数据样本为：

SMOTE算法合成新的人工数据，对于某个样本 QUOTE ，首先找到距离其最近的M个最邻近样本，从M个最邻近样本中有放回随机选择 QUOTE 个样本，记为QUOTE ；

式中， QUOTE ， QUOTE 为 QUOTE 的M个邻域中距离 QUOTE 类中心最远的距离， QUOTE 为 QUOTE 中下标的数值， QUOTE 为已新生成的距离 QUOTE 类中心距离小于 QUOTE的样本个数。 QUOTE 为正整数A向上取整；

对于每一个 QUOTE ，按如下公式生成新的样本；

式中， QUOTE 为0-1之间测随机数。

与现有技术相比，本发明的有益效果为：

一、采用K均值(K-means)聚类和SMOTE算法生成新的数据，可以保证样本边界信息，克服样本重叠问题；

二、同时计算快速且简便。

具体实施方式

本具体实施方式采用以下技术方案：它的步骤如下：

将信用卡欺诈交易使用K均值聚类，得到a个聚类中心，计算每个类中的点到该类中心点的距离p，信用卡数据集样本数据表示为：