面向不平衡数据集分类的LDBSMOTE过采样方法

作者：王泳欣; 张大斌; 车大庆; 吕建秋^*

来源：统计与决策, 2022, 38(18): 58-63.

DOI：10.13546/j.cnki.tjyjc.2022.18.011

• 不平衡数据集
• 局部密度
• SMOTE
• 集成学习

文章针对传统SMOTE及BSMOTE过采样方法会导致多数类样本识别率下降的问题，提出基于局部密度的改进BSMOTE算法（LDBSMOTE）。首先，根据样本分布特点计算局部密度值并筛选根样本，最大限度地保证具有潜在价值的样本不会被丢失，然后通过SMOTE合成样本，最后利用集成学习算法进行分类。为了验证LDBSMOTE的有效性对15个公共数据集进行实验，结果表明，相比SMOTE和BSMOTE,LDBSMOTE算法在F1、G-mean及AUC上平均提升了2.25%，且平均得分均为最高，能在保证多数类样本识别率的基础上提升少数类样本的识别率，有效提升分类性能。

• 单位
  华南农业大学