一种基于改进CGAN的不平衡数据集成分类算法

作者：刘宁; 朱波; 荆晓娜; 阴艳超

来源：小型微型计算机系统, 2023, 44(09): 1918-1924.

DOI：10.20009/j.cnki.21-1106/tp.2022-0019

• 不平衡数据
• 条件生成对抗网络
• 过采样
• Adaboost
• 集成学习

CGAN能学习到数据的分布特性并生成符合原始数据分布的新样本，将其作为过采样方法可以提升不平衡数据的分类性能.然而，当少数类样本规模较小时CGAN不能充分学习其分布特征，导致生成的样本质量欠佳.为此，本文提出一种基于改进CGAN的不平衡数据集成分类算法.首先采用SMOTEENN方法快速生成少数类样本并使其达到一定规模，训练出能充分学习少数类样本分布特性的CGAN模型，然后重新生成符合原始数据分布的少数类样本以构建平衡数据集.最后以CART决策树为基分类器，通过对Adaboost方法进行改进并用其训练所构建的平衡数据集，得到最终分类模型.选择F1值、AUC和G-mean作为分类评价指标，在8组公开数据集上的实验结果表明，所提方法可以显著提高不平衡数据的分类精度.

• 单位
  昆明理工大学; 机电工程学院