[发明专利]一种基于聚类的自适应加权过采样方法

权利要求书

1.一种基于聚类的自适应加权过采样方法，其特征在于，包括以下步骤：

步骤1：对不平衡数据集作为输入，区分出少数类样本和多数类样本，计算需要生成的样本个数；

步骤2：利用k-means聚类算法将少数类数据划分为多个簇，并与多数类数据结合成多个数据集；

步骤3：对于每个数据集通过随机森林算法，并采用5折交叉验证的方式计算对应的得分值，并确定该簇的评分；

步骤4：通过各个簇的评分，计算采样权重，确定簇样本合成个数；

步骤5：针对每个簇根据样本个数，在在簇内进行样本之间随机线性插值。

2.根据权利要求1所述的一种基于聚类的自适应加权过采样方法，其特征在于，所述步骤2中，利用k-means聚类算法将少数类数据划分为多个簇，并与多数类数据结合成多个数据集，具体步骤如下：

步骤2.1 从少数类样本中随机的找到k个数据点作为初始聚类簇心；

步骤2.2 分别计算每个数据点si到所选k个簇心之间的欧氏距离d(si,cj)，找到与每个数据点距离值最小的簇心并分配到该簇中；

步骤2.3 分别计算各个类簇中的数据点的平均值，并将其设置为下一次迭代的聚类中心；

步骤2.4 循环迭代步骤2.2～步骤2.3，直到满足最大迭代次数，或各个簇心不再发生较大变化；

步骤2.5 将步骤2.4得到的k个簇，分别与多数类样本结合成k个数据集。

3.根据权利要求1所述的一种基于聚类的自适应加权过采样方法，其特征在于，所述步骤3中，对于每个数据集通过随机森林算法，并采用5折交叉验证的方式计算对应的得分值，并确定该簇的评分，具体步骤为：

步骤3.1 对于每一个步骤2中得到的数据集，根据5折交叉验证的方式，划分为k组数据集；

步骤3.2 每次选择其中1组作为测试集，4组作为训练集，使用训练集训练随机森林算法，根据训练得到的模型预测测试集结果，并根据结果得到其对应的AUC、F-measure、G-mean值，并计算对应的平均值；

步骤3.3 循环5次步骤3.2，得到k个值并计算平均值，作为该簇对应的得分值。

4.根据权利要求1所述的一种基于聚类的自适应加权过采样方法，其特征在于，所述步骤4中，通过各个簇的评分，计算采样权重，确定簇样本合成个数，具体步骤为：

步骤4.1 对于各个簇均用1与该簇的评分值做差值作为其采样得分，并计算采样得分值的总和；

步骤4.2 根据簇对应的采样得分值与总和作比，作为该簇的采样权重值；

步骤4.3 原始数据多数类样本点与少数类样本点的差值乘上簇的采样权重值，即为簇的合成样本个数。

5.根据权利要求1所述的一种基于聚类的自适应加权过采样方法，其特征在于，在所述步骤5中，针对每个簇根据样本个数，在簇内进行样本之间随机线性插值，具体过程为：

步骤5.1 随机选择簇内的两个样本点，在两者之间通过随机插值的方式合成新的样本点；

步骤5.2 重复步骤5.1，直至新的样本点个数等于簇的合成样本个数。