[发明专利]一种面向类别不平衡数据集的序数回归问题解决方法

权利要求书

1.一种面向类别不平衡数据集的序数回归问题解决方法，其特征在于，包括以下步骤：

S1、获取数据集，构建神经网络，所述数据集包括多个样本，共分为K个类别，K＞1，每个样本带有标签，所述标签用于表示样本所属的类别，所述神经网络的损失函数为weightkappa loss损失函数；如果数据集不是类别不平衡数据集，则正常进行神经网络训练，否则，执行步骤S2；

S2、自数据集中选择一个batch，一个batch中包含M个样本，M＞0，将该batch的所有样本送入神经网络，神经网络的输出为各个样本属于各个类别的预测概率；

S3、基于神经网络的输出统计概率混淆矩阵，并计算概率混淆矩阵的两个边缘分布的距离；

S4、基于两个边缘分布的距离更新损失函数；

S5、基于当前batch中各个样本所属的类别、神经网络的输出和损失函数计算网络误差，反向传播更新神经网络参数，重复步骤S2，直至神经网络训练完成。

2.根据权利要求1所述的一种面向类别不平衡数据集的序数回归问题解决方法，其特征在于，步骤S1中，如果数据集的不平衡比大于预设置的平衡阈值，则数据集为类别不平衡数据集，所述不平衡比ρ的计算公式为：

其中，A表示数据集中样本数量最多的类别，B表示数据集中样本数量最少的类别，C_i表示数据集中属于类别i的样本的数量。

3.根据权利要求2所述的一种面向类别不平衡数据集的序数回归问题解决方法，其特征在于，预设置的平衡阈值为1.5。

4.根据权利要求1所述的一种面向类别不平衡数据集的序数回归问题解决方法，其特征在于，步骤S3中统计概率混淆矩阵具体为：

建立概率混淆矩阵W，W∈R^K×K，将概率混淆矩阵W初始化为全零矩阵；将神经网络的输出表示为输出矩阵O，O∈R^M×K，输出矩阵O第p行第q列的元素O_p，q的值为第p个样本属于类别q的预测概率，1≤p≤M，1≤q≤K；基于输出矩阵O更新概率混淆矩阵W的各个元素，1≤i≤K，1≤j≤K，其中，概率混淆矩阵W第i行第j列的元素W_i，j的值更新为：

W_i，j＝∑t_p＝i，q＝jO_p，q

其中，t_p表示第p个样本的ground truth，ground truth即基于第p个样本的标签确定的第p个样本所属的类别。

5.根据权利要求4所述的一种面向类别不平衡数据集的序数回归问题解决方法，其特征在于，步骤S3中计算概率混淆矩阵的两个边缘分布具体为：

计算概率混淆矩阵W行累积的边缘分布r和列累积的边缘分布c：

其中，r为概率混淆矩阵W行累积的边缘分布，c为概率混淆矩阵W列累积的边缘分布。

6.根据权利要求5所述的一种面向类别不平衡数据集的序数回归问题解决方法，其特征在于，边缘分布r和边缘分布c是长度为K的向量，两个边缘分布的距离定义为两个向量的KL散度。

7.根据权利要求6所述的一种面向类别不平衡数据集的序数回归问题解决方法，其特征在于，将两个边缘分布的距离与损失函数相加得到新的损失函数：

其中，表示更新后的损失函数，f(QWK)表示weight kappa loss损失函数，D(r，c)表示两个边缘分布的距离。

8.根据权利要求4所述的一种面向类别不平衡数据集的序数回归问题解决方法，其特征在于，输出矩阵O中，第p行第q列的元素O_p，q的值小于等于1，第p行的K个元素的值的总和为1。