10.3969/j.issn.1000-386x.2022.10.035
面向分类模型学习的样本类别均衡化方法
过采样方法是解决数据类别不均衡的有效方法之一,现有的过采样方法容易使样本具有高相似性导致过拟合.针对该问题,提出一种基于高斯混合模型和Jensen-Shannon散度的过采样方法(GJ-RSMOTE).利用高斯混合模型对少数类样本进行聚类,通过簇的稀疏度计算各簇的采样数量以及采用超球体插值方法扩大生成样本的范围,避免了生成样本过拟合,通过Jensen-Shannon散度控制最终生成样本的数量.实验结果表明,GJ-RSMOTE可实现样本类别均衡性,可有效提高分类模型的识别精度.
不均衡数据、过采样、高斯混合模型、Jensen-Shannon、散度
39
TP301.6(计算技术、计算机技术)
国家自然科学基金;中国石油大学北京克拉玛依校区科研启动基金;福建省自然科学基金项目;福建省自然科学基金项目
2022-11-11（万方平台首次上网日期，不代表论文的发表时间）
共8页
230-237
