面向不平衡数据分类的KFDA-Boosting算法

来源：计算机应用研究杂志2019年第3期北京时间：

作者：王来,樊重俊,杨云鹏,袁光辉,

单位：1.上海理工大学管理学院,上海200093；2.上海财经大学a.信息管理与工程学院;b.实验中心,上海200433；

摘要：数据分布的不平衡性和数据特征的非线性增加了分类的困难，特别是难以识别不平衡数据中的少数类，从而影响整体的分类效果。针对该问题，结合KFDA（kernel Fisher discriminant analysis）能有效提取样本非线性特征的特性和集成学习中Boosting算法的思想，提出了KFDA-Boosting算法。为了验证该算法对不平衡数据分类的有效性和优越性，以G-mean值、少数类的查准率与查全率作为分类效果的评价指标，选取了UCI中10个数据集测试KFDA-Boosting算法性能，并与支持向量机等六种分类算法进行对比实验。结果表明，对于不平衡数据分类，尤其是对不平衡度较大或呈非线性特征的数据，相比于其他分类算法，KFDA-Boosting算法能有效地识别少数类，并且在整体上具有显著的分类效果和较好的稳定性。

关键词：核费希尔判别分析,集成学习,不平衡数据,分类,

基金资助：国家自然科学基金资助项目(71303157)；上海市教育委员会科研创新重点基金项目(14ZZ131)；上海市一流学科资助基金项目(S1205YLXK)；上海市社科规划青年课题基金项目(2014EGL007)；沪江基金资助项目(D14008)；；