衡數(shù)據(jù)是指各類(lèi)別樣本的數(shù)量有巨大差異的數(shù)據(jù)集，其廣泛存在于金融欺詐檢測(cè)、醫(yī)療診斷、故障預(yù)測(cè)等實(shí)際應(yīng)用中。在將支持向量機(jī)、貝葉斯分類(lèi)器、神經(jīng)網(wǎng)絡(luò)等傳統(tǒng)的分類(lèi)模型用于不平衡數(shù)據(jù)的分類(lèi)時(shí)，分類(lèi)器傾向于學(xué)習(xí)多數(shù)類(lèi)樣本的特征而忽略了少數(shù)類(lèi)，容易將少數(shù)類(lèi)樣本識(shí)別為多數(shù)類(lèi)，無(wú)法保證少數(shù)類(lèi)樣本的分類(lèi)準(zhǔn)確率。而由于少數(shù)類(lèi)樣本往往具有重要價(jià)值，因此其類(lèi)別的誤判會(huì)造成嚴(yán)重的損失。以保險(xiǎn)欺詐檢測(cè)為例，欺詐行為的數(shù)量遠(yuǎn)遠(yuǎn)小于正常交易的數(shù)量，如果不能檢測(cè)出欺詐活動(dòng)，那么將會(huì)造成機(jī)構(gòu)資

時(shí),選取確定的聲樣本作為參考聲樣本能得到一致性更高的結(jié)果,因此人們更多地采用參考評(píng)分法[7-9]。使用該方法時(shí),一般會(huì)在全體待評(píng)價(jià)聲樣本中選取感知特性適中的待評(píng)價(jià)樣本作為參考聲樣本,因而被稱為待測(cè)樣本法。在評(píng)價(jià)過(guò)程中,如果參考樣本與待評(píng)價(jià)樣本類(lèi)型相同,可比性強(qiáng),則被試評(píng)分一致性高,可得到準(zhǔn)確的評(píng)價(jià)值。但不同實(shí)驗(yàn)中選取的參考樣本往往不同,使得實(shí)驗(yàn)結(jié)果之間不具可比性。為此,Nilsson[10]提出將每個(gè)實(shí)驗(yàn)聲樣本的煩惱度表示為粉紅噪聲等效聲級(jí),即用具有相同煩

的限制，采集到的樣本中通常無(wú)標(biāo)簽樣本占比大，有標(biāo)簽樣本占比少。為充分利用這些樣本信息，半監(jiān)督學(xué)習(xí)和主動(dòng)學(xué)習(xí)算法相繼提出并應(yīng)用于圖像分類(lèi)[1-2]、故障檢測(cè)[3-4]、工業(yè)過(guò)程建模[5-6]等領(lǐng)域。傳統(tǒng)的半監(jiān)督學(xué)習(xí)算法通過(guò)對(duì)無(wú)標(biāo)簽樣本進(jìn)行標(biāo)記以擴(kuò)大有標(biāo)簽樣本集，以此達(dá)到提升模型精度的目的[7-10]。區(qū)別于半監(jiān)督學(xué)習(xí)算法僅利用無(wú)標(biāo)簽樣本來(lái)提升模型性能，主動(dòng)學(xué)習(xí)借助專(zhuān)家知識(shí)，對(duì)優(yōu)選出的無(wú)標(biāo)簽樣本進(jìn)行人工標(biāo)記[11-12]，獲取其真實(shí)標(biāo)簽，并將標(biāo)記后的樣本加入有

不同類(lèi)別之間數(shù)據(jù)樣本的不均衡分布，其中大多數(shù)樣本屬于某種類(lèi)別，而剩余的樣本屬于其它類(lèi)別。許多實(shí)際的應(yīng)用領(lǐng)域中都存在不均衡數(shù)據(jù)集的分類(lèi)問(wèn)題，例如醫(yī)療診斷［1］、信息檢索系統(tǒng)［2］、欺詐性電話的檢測(cè)［3］、直升機(jī)故障檢測(cè)［4］等。傳統(tǒng)的分類(lèi)方法傾向于對(duì)多數(shù)類(lèi)有較高的識(shí)別率，對(duì)于少數(shù)類(lèi)的識(shí)別率卻很低。因此不均衡數(shù)據(jù)集的分類(lèi)問(wèn)題的研究需要尋求新的分類(lèi)方法和判別準(zhǔn)則。目前最流行的處理不平衡學(xué)習(xí)問(wèn)題的方法多是基于過(guò)采樣方法來(lái)延伸的。在本文中，首先介紹了SMOTE 算法

]中，在幾百萬(wàn)個(gè)樣本基因里可能僅有一個(gè)基因是癌癥基因；電信通訊中只有少數(shù)通訊是具有欺詐行為的通訊記錄[4-5]；軟件檢測(cè)中也只有不到10%的軟件是具有缺陷的[6]。不平衡數(shù)據(jù)普遍存在于人類(lèi)生活的方方面面，不僅數(shù)據(jù)分布廣泛，而且數(shù)據(jù)比例不均衡。在不平衡數(shù)據(jù)中數(shù)量多的樣本稱為負(fù)樣本，數(shù)量少的樣本稱為正樣本。正負(fù)樣本擁有較大的比例差距，例如：全國(guó)1年中雷電天氣(正樣本)天數(shù)占全年天數(shù)的比例不到10%；新生體檢中患肺結(jié)核疾病的學(xué)生人數(shù)占比不到1‰。在數(shù)據(jù)分類(lèi)評(píng)價(jià)指

數(shù)據(jù),是指某一類(lèi)樣本的數(shù)量明顯少于另一類(lèi)樣本的數(shù)量,即多數(shù)類(lèi)(負(fù)類(lèi))和少數(shù)類(lèi)(正類(lèi))存在比例失衡[5].在非均衡數(shù)據(jù)集中少數(shù)類(lèi)可能比多數(shù)類(lèi)包含著更多有價(jià)值的信息,在這種情況下,正確識(shí)別少數(shù)類(lèi)比正確識(shí)別多數(shù)類(lèi)更加重要.隨機(jī)森林[6]通過(guò)自助采樣[7]獲取樣本集,從而構(gòu)建決策樹(shù)得到很好的分類(lèi)預(yù)測(cè)效果,常被用于數(shù)據(jù)集分類(lèi)研究[8,9]中.但在實(shí)際應(yīng)用中,因?yàn)樗@得的數(shù)據(jù)常常表現(xiàn)為非均衡數(shù)據(jù)[10],所以在數(shù)據(jù)處理方面經(jīng)常引入欠采樣和過(guò)采樣方法,對(duì)于非均衡數(shù)據(jù)集的

090）探討生物樣本庫(kù)的管理與應(yīng)用，首先需要明確生物樣本的定義，生物樣本是指從生物個(gè)體獲得的物質(zhì)，生物資源是指融合生物樣本實(shí)體、生物分子信息及生物樣本表型數(shù)據(jù)的綜合資源［1］。生物樣本庫(kù)是指所有涉及生物資源收集、處理、保存和使用的機(jī)構(gòu)，包括人類(lèi)生物樣本庫(kù)、動(dòng)物樣本庫(kù)、植物樣本庫(kù)和微生物樣本庫(kù)。人類(lèi)生物樣本庫(kù)是針對(duì)人類(lèi)生物資源收集、處理、保存和使用的機(jī)構(gòu)，人類(lèi)生物樣本包括原始樣本如：血液、組織、尿液、唾液、糞便、毛發(fā)和皮屑等，還有很多衍生樣本，如細(xì)胞、DNA

基于核方法的虛擬樣本構(gòu)造劉鵬飛，何良華(同濟(jì)大學(xué) 電子與信息工程學(xué)院，上海 201804)樣本不平衡問(wèn)題已經(jīng)成為機(jī)器學(xué)習(xí)領(lǐng)域的研究熱門(mén)。虛擬樣本生成方法是一種重要的解決樣本不平衡問(wèn)題的方法，它通過(guò)線性生成少數(shù)類(lèi)樣本來(lái)實(shí)現(xiàn)。在以往的大多數(shù)研究工作中，虛擬樣本的生成是在原始的特征空間中進(jìn)行的，樣本通常處于線性不可分的狀態(tài)，將會(huì)導(dǎo)致生成的虛擬樣本丟失幾何特性。因此，文章提出了一種基于核方法的虛擬樣本構(gòu)造方法，虛擬樣本在線性可分的核空間中生成。樣本不平衡；支持向量