[发明专利]基于PSO算法的不平衡样本分类方法

摘要

本发明提供了一种基于PSO算法的不平衡样本分类方法，通过采用粒子群优化PSO算法，对过采样过程中边界样本和安全样本的采样率进行优化得到最优过采样倍率，同时对特征进行优化，从而选择出能够达到简化运算和提升分类结果的最具代表性的特征组合。本发明采用AUC/F‑Mea作为算法的适应度函数，从而提升最终分类器的效果。

主权项

一种基于PSO算法的不平衡样本分类方法，其特征在于，所述方法中PSO算法中粒子的表示为：OsRatei、UsRate和Fecj，其中OsRatei为第i个聚类簇的过采样率，i＝1,2,…,N，N为通过DBSCAN算法所形成的聚类簇数目，Fecj为样本的第j个特征，j＝1,2,…,M；所述方法包括：(1)将数据集划分为训练集Train和测试集Test；(2)首先在搜索空间生成初始解x_i，i＝1,2,…,SN，其中SN为粒子群大小；(3)令全局最优解gbest＝0；(4)执行步骤(5)、(6)最大循环次数MCN次；(5)令j从1到SN，获得当前x_j的解；按照得到的所述解，特征重新选择后生成新的数据集，通过k折交叉验证以及分类器学习，得到相应的AUC或者F‑Measure；(5)根据PSO算法中的速度计算公式和位置更新公式得到每个粒子的pbest，同时更新全局最优解gbest；(7)通过得到的过采样率、欠采样率和特征组合，同时进行混合采样，构建分类器进行训练数据集，然后用分类器进行训练，得到最终的AUC。