[发明专利]基于熵和置信度的不平衡数据欠采样方法

权利要求书

1.基于熵和置信度的不平衡数据欠采样方法，其特征在于，包括以下步骤，

S1：定义不平衡数据集为X，其中包含N_n个多数样本X_n和N_p个少数样本X_p；

S2：计算每个多数样本的熵

S3：利用多数样本和少数样本，基于RUS训练第一个随机森林分类器f₀(x)；

S4：基于置信度和熵，计算经过步骤S3训练后的集合中多数样本的最终秩Rank_i；

S5：用所有少数样本X_p和具有最低秩的多数样本训练下一个随机森林分类器；

S6：重复步骤S4和步骤S5，直到随机森林分类器f_l(x)中的l大于L，得到由f_j(x)(j＝0，1，...，L)组成的集合，式中，l表示从一开始到现在累积的迭代次数，L为数据集增强迭代次数。

2.根据权利要求1所述的基于熵和置信度的不平衡数据欠采样方法，其特征在于，步骤S2的具体操作包括以下步骤，

S201：将x_i∈X的模糊隶属熵定义为

式中，k表示在欧几里得距离中最接近多数样本x_i的样本数，表示最近的k个样本中多数样本的数量，表示最近的k个样本中少数样本的数量；

S202：计算每个多数样本的类确定性熵Entropy^cer和结构密度熵Entropy^str；

S203：计算每个多数样本的熵

式中，norm为归一化系数，

3.根据权利要求2所述的基于熵和置信度的不平衡数据欠采样方法，其特征在于，步骤S202中每个多数样本的类确定性熵Entropy^cer的计算方法为式中，Entropy_max＝-ln 0.5，

4.根据权利要求3所述的基于熵和置信度的不平衡数据欠采样方法，其特征在于，步骤S202中每个多数样本的结构密度熵Entropy^str的计算方法为式中，d_iq＝||x_i-x_q||(q＝1，2，...，k)表示从所有类别的k个最近样本到多数样本x_i的欧几里得距离。

5.根据权利要求4所述的基于熵和置信度的不平衡数据欠采样方法，其特征在于，步骤S3的具体操作包括以下步骤，

S301：由RUS从多数样本中选择出个多数样本，也即

S302：使用所有的N_p个少数样本X_p，以及步骤S301中选出的多数样本对第一个随机森林分类器f₀(x)进行训练，其中，随机森林分类器可表示为f_j(x)(j＝0，1，...，L)，式中，T为随机森林模型的树数，

6.根据权利要求5所述的基于熵和置信度的不平衡数据欠采样方法，其特征在于，步骤S4的具体操作包括以下步骤，

S401：计算经过步骤S3训练后的集合中每个多数样本的置信度Conf_iⁿ；

S402：将步骤S401计算得到的每个多数样本的置信度Conf_iⁿ与步骤S2计算得到的对应多数样本的熵进行加权，得到多数样本的最终秩Rank_i(i＝1，2，...，N_n)；式中，λ为置信度和熵之间的权重系数。

7.根据权利要求6所述的基于熵和置信度的不平衡数据欠采样方法，其特征在于，步骤S5的具体操作包括以下步骤，

S501：从具有最低的X_n中选择

S502：用所有少数样本X_p，以及步骤S501中选出的多数样本，对随机森林分类器进行训练，