用于不平衡数据分类的代价敏感超网络算法

作者：郑燕; 王杨; 郝青峰; 甘振韬

来源：计算机应用, 2014, 34(05): 1336-1377.

• 不平衡数据分类
• 超网络
• 代价敏感学习
• 自适应学习
• Boosting

传统的超网络模型在处理不平衡数据分类问题时,具有很大的偏向性,正类的识别率远远高于负类。为此,提出了一种代价敏感超网络Boosting集成算法。首先,将代价敏感学习引入超网络模型,提出了代价敏感的超网络模型;同时,为了使算法能够自适应正类的错分代价,采用Boosting算法对代价敏感超网络进行集成。代价敏感超网络能很好地修正传统的超网络在处理不平衡数据分类问题时过分偏向正类的缺陷,提高对负类的分类准确性。实验结果表明,代价敏感超网络Boosting集成算法具有处理不平衡数据分类问题的优势。

• 单位
  第三军医大学; 重庆工业职业技术学院