代价敏感惩罚AdaBoost算法的非平衡数据分类

作者：鲁淑霞^*; 张振莲; 翟俊海

来源：南京航空航天大学学报, 2023, 55(02): 339-346.

DOI：10.16356/j.1005-2615.2023.02.020

• 非平衡数据
• 惩罚AdaBoost
• 自适应代价敏感函数
• 平均间隔
• 随机梯度下降

针对非平衡数据分类问题，提出了一种基于代价敏感的惩罚AdaBoost算法。在惩罚Adaboost算法中，引入一种新的自适应代价敏感函数，赋予少数类样本及分错的少数类样本更高的代价值，并通过引入惩罚机制增大了样本的平均间隔。选择加权支持向量机（Support vector machine,SVM）优化模型作为基分类器，采用带有方差减小的随机梯度下降方法（Stochastic variance reduced gradient,SVRG）对优化模型进行求解。对比实验表明，本文提出的算法不但在几何均值（G-mean）和ROC曲线下的面积（Area under ROC curve,AUC）上明显优于其他算法，而且获得了较大的平均间隔，显示了本文算法在处理非平衡数据分类问题上的有效性。