一种基于高斯混合模型的数据过采样方法,包括下述步骤:首先,针对不平衡数据集,利用高斯混合模型对少数类样本进行去噪以及聚类处理;接着,根据代价敏感学习的思想,对簇间交叉验证下分类器预测错误率更高的簇分配更多的过采样数量;最后,使用标准SMOTE算法在每个少数类样本簇的内部合成相应数量的新样本;本发明在保证数据信息完整性的前提下,利用数据本身的分布信息与代价敏感学习思想对过采样的原样本与数量进行精确控制,增加了过采样样本的泛化信息,降低了分类器分类难度。
📄 2021113485246
📂 G06K9_62
👤 浙江工业大学
📅 2021-11-15