摘要：卷积神经网络具有高效的特征提取能力和较少的参数量,被广泛应用于图像处理、目标跟踪、自然语言等领域。针对传统分类模型对于结构化非平衡数据分类效果较差的问题,提出一种基于卷积神经网络的二分类结构化非平衡数据分类算法。设计结构化数据处理算法Data-Shuffle,将原始非平衡一维结构化数据转换为三维数组形式的多通道非平衡数据,为卷积神经网络提供更多的特征值,通过改进的VGG网络构建适合非平衡数据的网络结构卷积组,以提取不同的特征。在此基础上,提出更新权重加权采样算法UWSCNN,在每个迭代次数之后,根据模型的训练结果对易错样本进行重新加权,以优化训练结果。在adult、shoppers和diabetes数据集上的实验结果表明,相比逻辑回归、随机森林等传统机器学习模型,所提的Data-Shuffle算法的F1值提升了1%~19%,G-mean提升了2%~24%,相比SMOTECNN、BSMOTECNN、SMOTECNN+CS等采样算法,所提的UWSCNN算法对非平衡数据的分类效果提升了1%~13%,有效提高模型对非平衡数据的分类性能。

摘要：文章使用典型仿真数据引出Logistic回归的非平衡数据问题;基于重构训练集思想,提出在不改变Logistic基本求解算法下的"小类配平"和"大类配平"解决方法,实验验证这两种解决方法的有效性,论述这两类方法的优缺点;理论分析Logistic回归的非平衡数据问题存在的原因及"小类配平"和"大类配平"法的合理性。

摘要：针对非平衡数据分类问题,提出了一种改进的SVM-KNN分类算法,在此基础上设计了一种集成学习模型。该模型采用限数采样方法对多数类样本进行分割,将分割后的多数类子簇与少数类样本重新组合,利用改进的SVM-KNN分别训练,得到多个基本分类器,对各个基本分类器进行组合。采用该模型对UCI数据集进行实验,结果显示该模型对于非平衡数据分类有较好的效果。

摘要：完备混合型信息系统下的粗糙集模型是传统粗糙集模型的重要扩展,目前关于非平衡数据属性约简的研究仅限于完备混合型的粗糙集模型。针对这一问题,提出一种基于不完备混合型信息系统的非平衡数据属性约简。本文首先将传统的粗糙集模型进行推广,提出不完备混合型信息系统下的粗糙集模型;然后针对数据的非平衡性,根据上下边界区域和类分布的不均匀性定义了一种新的属性重要度;在基于区别矩阵的基础上设计出一种非平衡数据的属性约简算法。实验分析表明该算法针对不完备非平衡数据的属性约简具有一定的有效性和优越性。

摘要：统计软件SAS中PROCMIXED的发展使得混合线性模型非平衡试验数据的分析在技术上变得简单可行。但在小样本非平衡数据条件下,选择怎样的自由度计算方法用于固定效应统计检验,才能取得较准确的分析结果,则是一个尚未明确的问题。本文利用PROCMIXED提供的几个自由度计算方法对3个常用农业试验设计的非平衡数据进行了分析。MonteCarlo模拟研究结果表明,Kenward Roger法能够取得第一类统计错误率的最佳控制。

摘要：非平衡数据分析是数据领域的重要问题之一,其类间分布的巨大差异给聚类方法带来严峻挑战.围绕非平衡数据聚类问题,分析了非平衡数据对模糊聚类方法的影响,提出了基于密度感知的模糊聚类方法.方法将数据分布密度特征嵌入模糊聚类初始化过程中,用于定位初始聚类中心点,避免了少数类中心点位置的消失,在此基础上进一步设计了基于密度的模糊聚类优化更新方法.经数据集分析验证,本研究方法能够有效解决非平衡数据分类中少数类消失问题,并且在聚类算法性能上比传统方法有明显提高.

摘要：随着非平衡分类问题研究的深入,训练数据与测试数据如何划分成为一个值得思考的问题。针对非平衡文本情感分类数据集设计问题,通过下采样方法,对测试数据集设计了平衡与非平衡两种方案,给出了在不同任务需求下,选择相应的实验方案,并对验证分类器分类性能的评价指标进行了讨论。通过在真实的网络评论数据上的实验,验证了这些方案的合理性和适用性。

摘要：生物医学复杂关系提取已经成为文本挖掘领域的焦点,而用于训练预测模型的注释语料库高度非平衡,且大多是针对单个注释语料库训练的监督模型,极大地限制了系统性能。因此,提出一种显著空间SVM自训练半监督学习方法,通过平衡初始模型诱导未标签训练数据,将领域知识纳入事件提取模型,识别多数类子集,构建预测模型。通过设计实验评估证明了训练语料库的有效性。

摘要：针对目前帕金森病早期预测方法普遍存在误诊率高、步骤繁多等问题,设计了基于AdaBoost算法的按键动作识别方法,实现对帕金森病早期的精准预测。该方法首先删除数据集的缺失值,并选取按键次数过万的数据;然后针对不同按键手,根据按键的时间间隔对预处理后的结果进行分类,以平均值、标准差、方差、偏度和峰度5个指标为特征,对每一位病人的数据进行分块,扩充数据集,并加入高斯噪声平衡数据集;最后应用AdaBoost算法进行分类预测。在公开的数据集上进行实验,结果表明:在按键数据集分类上,该方法的准确率、灵敏度和特异性分别为95%、98%和97%。该方法具有较高的准确率、灵敏度和特异性,为帕金森病早期的精准预测提供了一种有效的解决方案。

摘要：在非平衡环境下多目标检测受到目标回波信息的干扰,导致检测精度不高,为了提高对多目标的智能跟踪检测能力,提出基于机器学习的非平衡环境下的多目标智能检测算法.首先,建立多目标跟踪识别的非平衡数据采集模型,通过近场源回波检测方法进行多传感网络下非平衡数据多目标特征检测,然后,利用空间网格聚类方法进行非平衡数据多目标特征量分类挖掘,最后,结合机器学习方法进行非平衡数据多目标智能检测过程中的寻优控制,实现非平衡环境下多目标智能检测算法的优化设计.实验结果表明,采用该方法进行非平衡环境下多目标检测的智能性较好,检测精度较高,检测时间开销较短.