祿鎧銑

(澳門大學(xué))

0 引言

不平衡數(shù)據(jù)集的特征就是在數(shù)據(jù)集里有一種樣本的數(shù)量大大小于其他的樣本數(shù)量．對于不平衡數(shù)據(jù)級來說，使用比較傳統(tǒng)的分類手段對其進(jìn)行分類的話，其結(jié)果會十分的傾向多數(shù)類，一般來說，人們極為重視少數(shù)類，如果少數(shù)類被錯分，那么付出的代價十分的大，假如將入侵?jǐn)?shù)據(jù)看作是正常數(shù)據(jù)來對待，有極大幾率會導(dǎo)致不必要的損失．

在數(shù)據(jù)挖掘與模式識別等等行業(yè)越來越喜歡用聚類算法了．如今聚類算法有很多種，可是，幾乎所有的聚類算法都有明顯的缺陷．因此，該文使用聚類融合技術(shù)，用來讓算法更加穩(wěn)定．

1 基于聚類融合的不平衡數(shù)據(jù)分類方法

1．1 聚類融合

最近幾年內(nèi)，融合方法大量應(yīng)用在分類和回歸中，而且已經(jīng)進(jìn)入到了聚類行業(yè)中．Fred A L參考傳感器融合與分類器融合的成功經(jīng)驗(yàn)，發(fā)現(xiàn)了新的方法．它的詳細(xì)定義就是:把一組數(shù)據(jù)進(jìn)行聚類的不一樣的結(jié)果相互融合，而不會使用該數(shù)據(jù)原來的自身特點(diǎn)．

主要在兩個方面進(jìn)行探究:(1)怎樣生成有效果的聚類成員;(2)怎么對共識函數(shù)進(jìn)行設(shè)計(jì)，讓聚類成員能夠合并到一起．具體就是聚類成員之間的區(qū)別，究竟對聚類融合結(jié)果有何影響，是否會影響聚類融合的穩(wěn)定．聚類融合重點(diǎn):

如果有包括n個對象的數(shù)據(jù)集X={x1，x2，…，xn}，使用h次聚類的算法讓X數(shù)據(jù)集能夠得到 h 個結(jié)果，H={C1，C2，…，Ch}，當(dāng)中 Ck(k=1，2，…，h)為了可以得出聚類結(jié)果重點(diǎn)在于對第k次算法．將h個聚類成員的不同的聚類結(jié)果加在一起，然后利用比較專業(yè)的共識函數(shù)，得出有關(guān)結(jié)果．

相比于單一算法，聚類融合算法可以得到更好地結(jié)果．

(1)魯棒性:不論是何種領(lǐng)域與數(shù)據(jù)集，這種方法的平均性能無疑是最強(qiáng)的．

(2)適用性:聚類結(jié)果是一般是單一聚類方法不能比擬的．

(3)穩(wěn)定性與確定性評價:聚類結(jié)果有一定的不確定性，可以從融合布局方面來進(jìn)行評估噪聲、孤立點(diǎn)與抽樣，這對于聚類結(jié)果來說，沒有多大的影響．

(4)并行與可擴(kuò)展性:可以讓數(shù)據(jù)子集并行合并或者是并行聚類，還可以合并分布式的數(shù)據(jù)源聚類結(jié)果或者是數(shù)據(jù)屬性的聚類結(jié)果．

1．2 不平衡數(shù)據(jù)分類方法

機(jī)器學(xué)習(xí)行業(yè)的重點(diǎn)探究對象就是分類問題，部分分類方法都日漸成熟，用這些分類方法來對平衡數(shù)據(jù)進(jìn)行分類，肯定可以有不錯的效果．但是，很多行業(yè)里還是有很多不均衡數(shù)據(jù)及存在的．以往傳統(tǒng)分類方法似乎偏向于對多數(shù)類有比較高的識別率，少數(shù)類識別率則相對比較低．所以，對不均衡數(shù)據(jù)集有關(guān)分類問題的探究，必須要找到一些新的手段與辨別準(zhǔn)則．

不平衡數(shù)據(jù)的分類大致可以分為兩種:以數(shù)據(jù)層面作為基礎(chǔ)與將算法層面作為基礎(chǔ)的方法．

1．2．1 數(shù)據(jù)層面的處理方法

數(shù)據(jù)層面的處理方法就是將數(shù)據(jù)進(jìn)行重抽樣，包括兩種處理辦法，分別是過抽樣和欠抽樣．

一致子集(consistent subset)．

編輯技術(shù)(常用的是W ilson．s editing)

以及單邊選擇(one-sided selection)等［1-2］．

以上技術(shù)最重要的是啟發(fā)性的使用(加權(quán))歐氏距離和K-近鄰規(guī)則去辨別能夠科學(xué)刪除的樣本．Barandela 等人［3］和 Batista 等人［4］都對以上多種欠抽樣方法進(jìn)行了細(xì)致的試驗(yàn)與深入的探究．Dehmeshki等人［5］發(fā)現(xiàn)了以規(guī)則作為基礎(chǔ)的數(shù)據(jù)過濾技術(shù)，實(shí)際上也屬于欠抽樣方法．

和欠抽樣對立，過抽樣技術(shù)是想方設(shè)法的來讓少數(shù)類的學(xué)習(xí)樣本增多．最具代表的就是Chawla等人［6］發(fā)明的SMOTE 技術(shù)．SMOTE 技術(shù)理論就是利用插值產(chǎn)生全新人工樣本，并不是對樣本進(jìn)行復(fù)制．Han等人［7］以此作為參考，發(fā)明了Borderline-SMOTE技術(shù)．

1．2．2 算法層面的處理方法

根據(jù)有關(guān)記載，我們得知，如今重點(diǎn)集中在四個不一樣的方法，包括代價敏感與單類學(xué)習(xí)、組合方法和支持向量機(jī)方法．

1．3 算法描述

所提出分類算法是將聚類融合的不平衡數(shù)據(jù)作為基礎(chǔ)，就是 CE-Under，CE-SMOTE與CE-SMOTE+CE-Under方法．

2 實(shí)驗(yàn)與分析

2．1不平衡數(shù)據(jù)分類的評價準(zhǔn)則

精準(zhǔn)度accuracy=(TP+TN)/(TP+TN+FP+FN)是分類問題里經(jīng)常使用的評估標(biāo)準(zhǔn)(見表1)．

表1 混合矩陣

從上可以得知分類器在數(shù)據(jù)集的整體分類方面的作用，可是不會發(fā)擰出不平衡數(shù)據(jù)集的分類作用．因此，在不平衡數(shù)據(jù)方面，必須要制定更為科學(xué)的評判標(biāo)準(zhǔn)，經(jīng)常使用的標(biāo)準(zhǔn)包括:查全率 recall、F-value 值、查準(zhǔn)率 precision、G-mean值、AUC．屬于少數(shù)類 recall、precision、G-mean、F-value值的計(jì)算手段如下:

F-value可以說是不平衡數(shù)據(jù)集學(xué)習(xí)里比較有效地評判標(biāo)準(zhǔn)，它將Recall與Precision相互組合，當(dāng)中β是可調(diào)參數(shù)，一般取值為1．只有在Recall與Precision的值比較大的時候，F(xiàn)-value才會更大，所以它可以準(zhǔn)確的反映出少數(shù)類的分類作用．另外，G-mean也如F-value一樣，是比較有效的評判標(biāo)準(zhǔn)，它是少數(shù)類里TP/(TP+FN)和多數(shù)類里TN/(TN+FP)的乘積的平方根，當(dāng)這兩者的值都比較大的時候，G-mean才會變得更大，所以G-mean可以科學(xué)的評判不平衡數(shù)據(jù)集的整體分類作用．

2．2 實(shí)驗(yàn)結(jié)果與分析

在該文里，選擇十個少數(shù)類與多數(shù)類樣本比例不均衡的UCI機(jī)器學(xué)習(xí)數(shù)據(jù)集做實(shí)驗(yàn)，每個數(shù)據(jù)集的基本信息見表2．在表2里，N是樣本的數(shù)量總和，NMIN是少數(shù)類樣本的數(shù)量，NMAJ為多數(shù)類樣本的數(shù)量，CD是少數(shù)類與多數(shù)類的樣本比例，NA為屬性數(shù)量(包括類別屬性)．

表2 數(shù)據(jù)集的基本信息

在試驗(yàn)里，與C4．5決策樹算法(直接對原數(shù)據(jù)集進(jìn)行分類學(xué)習(xí))和七類不均衡數(shù)據(jù)分類方法的作用作比較．上文所述不平衡數(shù)據(jù)分類方法全部利用C4．5決策樹算法，分類學(xué)習(xí)重抽樣后的數(shù)據(jù)集．

為了能夠讓上述的不均衡數(shù)據(jù)分類方法的比較更具客觀性，下面全部的實(shí)驗(yàn)數(shù)據(jù)都是10折交叉驗(yàn)證之后得出的結(jié)論．

使用weka軟件里的Simple Means聚類算法來多次聚類數(shù)據(jù)．對一致性系數(shù)CI閾值α進(jìn)行聚類，之后取全部樣本的平均數(shù)值．依據(jù)過抽樣率與欠抽樣率的概念我們可以知道，SMOTE方法產(chǎn)生的合成樣本數(shù)量和原有少數(shù)類樣本數(shù)量一模一樣，就是全部少數(shù)類樣本數(shù)量多出了一倍，而Random Under方法剔除的多數(shù)類樣本數(shù)量則是原有多數(shù)類樣本的一半．為了能夠?qū)⑦^抽樣與欠抽樣后的數(shù)據(jù)集作比較，該論文對不平衡程度指標(biāo)I-degree做出定義，它的數(shù)值就是數(shù)據(jù)集里少數(shù)類與多數(shù)類樣本的比值，I-degree的值越高代表著數(shù)據(jù)集里少數(shù)類樣本數(shù)量越大，多數(shù)類樣本的數(shù)量越少．當(dāng)I-degree值幾乎等于1的時候，代表著數(shù)據(jù)集里面的多數(shù)類與少數(shù)類的樣本數(shù)量比較均衡．圖1顯示十個UCI的初始數(shù)據(jù)集OldDataSet和使用CE-SMOTE+CEUnder，CE-SMOTE與CE-Under方法進(jìn)行重抽樣之后數(shù)據(jù)集的I-degree值，而且每種I-degree值全部經(jīng)過10折交叉驗(yàn)證之后得出的結(jié)論．從圖1我們可以知道，該論文所提出的CESMOTE+CE-Under、CE-SMOTE 與 CE-Under方法都能夠讓數(shù)據(jù)集不平衡的程度有所降低．因?yàn)镃E-SMOTE+CE-Under方法可以對少數(shù)類與多數(shù)類同時做處理，所以進(jìn)行重抽樣之后數(shù)據(jù)集I-degree值是最高的，而CE-SMOTE方法的I-degree值稍微高于CE-Un-der方法的I-degree值．

圖1 10個數(shù)據(jù)集的I-degree值

表3 8種方法在10個UCI數(shù)據(jù)集的少數(shù)類F-value值對比

表4 8種方法的G-mean值對比

表3與表4分別列舉了8種方法在十個UCI數(shù)據(jù)集上的少數(shù)類F-value值與數(shù)據(jù)集總體的G-mean值．而表中最底部的一行則列舉出了每一個方法在全部數(shù)據(jù)集里的平均結(jié)果．對于每一個數(shù)據(jù)集來說，分別得來對結(jié)合法、過抽樣法與欠抽樣法里每一種方法的F-value與G-mean值做對比，同時用黑體字來代表這三種方法里最高的F-value與G-mean值．

從表3與表4當(dāng)中可以知道，上文提到的七類不平衡數(shù)據(jù)分類方法的少數(shù)類F-value值與數(shù)據(jù)集總體的G-mean值比原始數(shù)據(jù)集進(jìn)行分類的C4．5算法都要高．．

三種方法經(jīng)過橫向?qū)Ρ瓤梢缘贸鋈缦陆Y(jié)果，結(jié)合法里面的CE-SMOTE+CE-Under方法很顯然要比SMOTE+RandomUnder方法更加優(yōu)秀，而欠抽樣法里面的CE-Under方法一般來說要比Random Under方法更具優(yōu)勢．把三種方法進(jìn)行縱向?qū)Ρ龋覀兊贸龅慕Y(jié)論是，過抽樣法與結(jié)合法作比較，欠抽樣法則更具優(yōu)勢，同時結(jié)合法與過抽樣法的少數(shù)類F-value值與G-mean值相對比較大，綜上所述，上文提出的這些方法都是極為優(yōu)秀的方法．

總之，該論文提到的有關(guān)基于聚類融合的不平衡數(shù)據(jù)分類方法的識別率相對較高，特別是對于部分少數(shù)類和部分?jǐn)?shù)據(jù)集總體也有著不錯的識別率．通過一系列的實(shí)驗(yàn)，并且對比各個實(shí)驗(yàn)數(shù)據(jù)，我們可以得出以下的結(jié)論，CE-SMOTE+CE-Under方法與CE-SMOTE方法對不平衡數(shù)據(jù)集的分類作用比較強(qiáng)，CE-Under方法則相對較弱，但是它的對比算法與其他的算法相比更具優(yōu)勢，這類方法的優(yōu)勢還是比較多的，不論在不一樣的過抽樣率、還是不一樣的欠抽樣率下乃至是聚類次數(shù)下，這種方法的少數(shù)類F-value值總是十分的穩(wěn)定．綜上所述，筆者提出的有關(guān)基于聚類融合的不平衡數(shù)據(jù)分類方法在不同條件下都可以良好降低數(shù)據(jù)集的不平衡程度，同理，在數(shù)據(jù)集整體G-mean值不下調(diào)的情況下，可以讓少數(shù)類的F-value值有所提升，這對多數(shù)類和少數(shù)類的均值都有不錯的識別率．

［1］ Batista G E A P A，Pratir C，MONARDM C．A study of the behavior of several methods for balancing machine learning training data［J］．Slgkdd Explorations，2004，6(1):20-29．

［2］ KuBatm，Matwin S．Addressing the curse of imbalanced training sets:one-sided selection［C］//Proc of 14th International Conference on Machine Learning(ICML．97)．Nashville:［s．n．］，1997．179-186．

［3］ Barandela R，Valdovindos R M，Snchez J S，et al．The imbalanced training sample problem:under or over sampling［C］//Proc of International Workshops on Structura，l Syntactic，and Statisti cal Pattern ecognition(SSPR/SPR．04)．Lisbon:［s．n．］，2004，806-814．

［4］ Batista G E A P A，Pratir C，Monardm C．A study of the behavior of several methods for balancing machine learning training data［J］．S IGKDD Explorations，2004，6(1):20-29．

［5］ Dehmeshki J，Karak Y M，Casique M V．A rule-based scheme for filtering examples from majority class in an imbalanced training set［C］ //Proc of MLDM，2003．215-223．

［6］ Chawlanv，Halllo，Bowyer K W，et al．Smote:synthetic minority over sampling technique［J］．Journal of Articial Intelligence Research，2002，16:321-357．

［7］ Han H，Wang Wenyuan，Mao Binghuan．Borderline-SMOTE:a new over-sampling method in imbalanced data sets learning［C］ //Proc of International Conference on Intelligent Computing(ICIC．05)．Hefe:i［s．n．］，2005．878-887．