CN110163226A - 平衡化数据集生成方法和装置以及分类方法和装置 - Google Patents

平衡化数据集生成方法和装置以及分类方法和装置 Download PDF

Info

Publication number
CN110163226A
CN110163226A CN201810144850.7A CN201810144850A CN110163226A CN 110163226 A CN110163226 A CN 110163226A CN 201810144850 A CN201810144850 A CN 201810144850A CN 110163226 A CN110163226 A CN 110163226A
Authority
CN
China
Prior art keywords
sample
positive class
positive
class
negative
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810144850.7A
Other languages
English (en)
Inventor
张明阳
马千里
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Century Trading Co Ltd, Beijing Jingdong Shangke Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN201810144850.7A priority Critical patent/CN110163226A/zh
Publication of CN110163226A publication Critical patent/CN110163226A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种平衡化数据集生成方法和装置以及分类方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：对于正类集合中的每个正类样例，基于所述每个正类样例与负类集合中负类样例之间的关联关系生成新的正类样例，将所述新的正类样例加入所述正类集合以得到目标正类集合；从所述负类集合中提取多个负类样例，获得子负类集合，其中，所述子负类集合中负类样例的数量与所述目标正类集合中正类样例的数量相等；将所述目标正类集合与所述子负类集合合并，生成平衡化数据集。该实施方式能够在增加正类样例数量的同时，扩大正类样例的学习域，增大正类样例的学习范围，从而提高分类准确度。

Description

平衡化数据集生成方法和装置以及分类方法和装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种平衡化数据集生成方法和装置以及一种分类方法和装置。
背景技术
在分类中，数据集不平衡是指不同类别下的样例数目相差巨大。在实际生活中，数据集不平衡是很常见的，例如在计算机辅助医疗诊断中，绝大部分人事正常的，只有少数人是病人；在欺诈交易识别中，绝大部分交易是正常的，只有极少部分的交易是异常的。
但是，目前大多数分类器是在类分布平衡的假设下设计出来的，则对于不平衡的数据集，传统的分类器对这样的数据集一般不再适用。
针对非平衡数据集的分类问题，常见的解决方案主要利用采样技术使非平衡的数据集平衡化，例如包括对正类样例(正类样例为少数样例)的随机上采样、对负类样例(负类样例为多数样例)的随机下采样或例如采用smote算法(synthetic minority over-sampling technique，合成少数过采样技术)合成新的正类样例。其中，随机上采样通过增加正类样例的数量来提高分类精度；下采样通过减少负类样例的数量来达到同样的目的；smote算法合成新的正类样例的策略是对每个正类样例s1，从它的最近邻中随机选出一个正类样例s2，然后在s1与s2之间的连线上随机选一点作为新合成的正类样例。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
随机上采样并没有给正类样例增加新的信息，导致过学习；随机下采样会使负类样例丢失一些重要的信息，因此，导致分类精度较低；smote算法虽然可以弥补随机上采样方法的不足，但是并没有改变正类样例的学习域，存在一定的盲目性和局限性。基于上述采样方法得到的平衡化数据集进行分类，分类准确性较低，分类效果差。
发明内容
有鉴于此，本发明实施例提供一种平衡化数据集生成方法，能够在增加正类样例的数量的同时，扩大正类样例的学习域，增大正类样例的学习范围，从而提高分类准确度。
为实现上述目的，根据本发明实施例的一个方面，提供了一种平衡化数据集生成方法，包括：对于正类集合中的每个正类样例，基于所述每个正类样例与负类集合中负类样例之间的关联关系生成新的正类样例，将所述新的正类样例加入所述正类集合以得到目标正类集合；从所述负类集合中提取多个负类样例，获得子负类集合，其中，所述子负类集合中负类样例的数量与所述目标正类集合中正类样例的数量相等；将所述目标正类集合与所述子负类集合合并，生成平衡化数据集。
可选地，基于所述每个正类样例与负类集合中负类样例之间的关联关系生成新的正类样例包括：确定正类集合的中心点，在所述负类集合中确定所述中心点的异类最近邻，其中，所述异类最近邻为距离所述中心点最近的负类样例；对于所述正类集合中的每个正类样例，基于所述异类最近邻，生成新的正类样例。
可选地，将所述新的正类样例加入所述正类集合以得到目标正类集合包括：将所述新的正类样例加入所述正类集合，得到中间正类集合；对于中间正类集合中的每个正类样例，在所述负类集合中确定所述每个正类样例的异类最近邻；基于每个正类样例的异类最近邻，生成新的正类样例；将所述新的正类样例加入所述中间正类集合，得到目标正类集合。
可选地，所述生成新的正类样例包括：确定所述异类最近邻与正类样例之间的连线；在所述连线上进行采样以获得新的正类样例。
可选地，在所述连线上进行采样以获得新的正类样例包括：在所述连线的中点处采样以获得新的正类样例。
可选地，在生成目标正类集合之后，所述方法还包括：对所述目标正类集合中的正类样例进行去重。
为实现上述目的，根据本发明实施例的一个方面，提供了一种分类方法，包括：根据多个上述平衡化数据集，进行模型训练，得到多个分类器；利用所述多个分类器对待分类样例进行分类，得到多个预测结果；对所述多个预测结果进行投票，将得到票数最多的预测结果作为所述待分类样例的分类结果。
为实现上述目的，根据本发明实施例的一个方面，提供了一种平衡化数据集生成装置，包括：生成模块，对于正类集合中的每个正类样例，基于所述每个正类样例与负类集合中负类样例之间的关联关系生成新的正类样例，将所述新的正类样例加入所述正类集合以得到目标正类集合；提取模块，用于从所述负类集合中提取多个负类样例，获得子负类集合，其中，所述子负类集合中负类样例的数量与所述目标正类集合中正类样例的数量相等；合并模块，用于将所述目标正类集合与所述子负类集合合并，生成平衡化数据集。
可选地，所述生成模块还用于：确定正类集合的中心点，在所述负类集合中确定所述中心点的异类最近邻；对于所述正类集合中的每个正类样例，基于所述异类最近邻，生成新的正类样例。
可选地，所述生成模块还用于：将所述新的正类样例加入所述正类集合，得到中间正类集合；对于中间正类集合中的每个正类样例，在所述负类集合中确定所述每个正类样例的异类最近邻；基于每个正类样例的异类最近邻，生成新的正类样例；将所述新的正类样例加入所述中间正类集合，得到目标正类集合。
可选地，所述生成模块还用于：确定所述异类最近邻与正类样例之间的连线；在所述连线上进行采样以获得新的正类样例。
可选地，所述生成模块还用于：在所述连线的中点处采样以获得新的正类样例。
可选地，所述装置还包括去重模块，用于对所述目标正类集合中的正类样例进行去重。
为实现上述目的，根据本发明实施例的另一方面，提供了一种分类装置，包括：模型训练模块，用于根据多个上述平衡化数据集，进行模型训练，得到多个分类器；分类预测模块，用于利用所述多个分类器对待分类样例进行分类，得到多个预测结果；分类确定模块，用于对所述多个预测结果进行投票，将得到票数最多的预测结果作为所述待分类样例的分类结果。
为实现上述目的，根据本发明实施例的又一方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例的平衡化数据集生成方法。
为实现上述目的，根据本发明实施例的再一方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例的平衡化数据集生成方法。
上述发明中的一个实施例具有如下优点或有益效果：因为采用基于正类集合中正类样例与负类集合中负类样例之间的关联关系，生成新的正类样例，以生成目标正类集合；从所述负类集合中采样多个负类样例，获得子负类集合，其中，所述子负类集合中负类样例的数量与所述目标正类集合中正类样例的数量相等；将所述目标正类集合与所述子负类集合合并，生成平衡化数据集的技术手段，能够在增加正类样例的数量的同时，扩大正类样例的学习域，增大正类样例的学习范围，从而提高分类准确度。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的平衡化数据集生成方法的主要流程的示意图；
图2是根据本发明实施例的另一种平衡化数据集生成方法的主要流程的示意图；
图3是根据本发明实施例的平衡化数据集生成方法的效果示意图；
图4是根据本发明实施例的分类方法的主要流程的示意图；
图5是根据本发明实施例的平衡化数据集生成装置的主要模块的示意图；
图6是本发明实施例可以应用于其中的示例性系统架构图；
图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的平衡化数据集生成方法的主要流程的示意图。如图1所示，该方法包括：
步骤S101：对于正类集合中的每个正类样例，基于所述每个正类样例与负类集合中负类样例之间的关联关系生成新的正类样例，将所述新的正类样例加入所述正类集合以得到目标正类集合；
步骤S102：从所述负类集合中提取多个负类样例，获得子负类集合，其中，所述子负类集合中负类样例的数量与所述目标正类集合中正类样例的数量相等；
步骤S103：将所述目标正类集合与所述子负类集合合并，生成平衡化数据集。
对于步骤S101，上述关联关系可以是正类样例与负类样例之间的距离关系，例如可以使用欧式距离方法或哈曼顿距离方法等计算正类样例与负类样例之间的距离。具体的，正类样例和负类样例具有多个属性，可以将该多个属性映射到坐标系中，然后利用欧式距离方法计算正类样例与负类样例之间的距离。
基于正类集合中正类样例与负类集合中负类样例之间的关联关系生成新的正类样例的步骤可以包括：
步骤A：确定正类集合的中心点，在所述负类集合中确定所述中心点的异类最近邻；
步骤B：对于所述正类集合中的每个正类样例，基于所述异类最近邻，生成新的正类样例。
在本发明实施例中，一个集合中某个样例的异类最近邻是指在另一个集合中与该某个样例之间距离最短的样例。对于步骤A，中心点的异类最近邻是指在负类集合中距离中心点最近的负类样例。
对于步骤B，具体的可以包括：对于每个正类样例，确定该正类样例与上述异类最近邻之间的连线；在所述连线上进行采样以获得新的正类样例。
更具体的，可以在该连线上，在距正类样例1/m处取点(m为大于1的整数)，作为新的正类样例。例如，m＝2，即在该连线的中点处进行采样以获得新的正类样例。
在可选的实施例中，可以将上述步骤A和步骤B循环执行若干次(循环执行的次数可以根据需求灵活设置)，得到一个目标正类集合(目标正类集合中正类样例的数量可能少于或等于负类集合中负类样例的数量)。
本发明实施例的目的是通过改变非平衡数据集的分布水平来平衡化数据集，采用距离度量两个样例在空间上的差距，距离越近说明样例间的差异越小。本发明实施例在正类样例和该正类样例的异类最近邻之间进行插值取样，考虑了负类样例的分布，而且在增加正类样例的同时，扩大了正类样例的学习域。
对于步骤S102，在负类集合中随机提取多个负类样例，获得子负类集合，其中，子负类集合中负类样例的数量与目标正类集合中正类样例的数量相等。
在可选的实施例中，也可以多次在负类集合中随机提取负类样例，生成多个子负类集合。
对于步骤S103，将目标正类集合与子负类集合合并，得到平衡化数据集。
在可选的实施例中，也可以将多个子负类集合分别与目标正类集合合并，得到多个平衡化数据集。
本发明实施例的平衡化数据集生成方法，能够在增加正类样例的数量的同时，扩大正类样例的学习域，增大正类样例的学习范围，从而提高分类准确度。
本发明实施例的平衡化数据集生成方法，计算量较大，因此可以利用Spark框架对平衡化过程进行并行处理，以提高计算速度。其中，Spark是专为大规模数据处理而设计的快速通用的计算引擎，适用于数据挖掘与机器学习等需要迭代的方法。
在可选的实施例中，在将所述新的正类样例加入所述正类集合以得到目标正类集合的过程还包括：
将所述新的正类样例加入所述正类集合，得到中间正类集合；
对于中间正类集合中的每个正类样例，在所述负类集合中确定所述每个正类样例的异类最近邻；
基于每个正类样例的异类最近邻，生成新的正类样例；
将所述新的正类样例加入所述中间正类集合，得到目标正类集合。
上述每个正类样例的异类最近邻是指在负类集合中距离该正类样例最近的负类样例。
基于每个正类样例的异类最近邻，生成新的正类样例的步骤可以包括：
确定每个正类样例与该正类样例的异类最近邻的连线；
在该连线上进行采样以获得新的正类样例。
具体的，可以在该连线上，在距正类样例1/m处取点(m为大于1的整数)，作为新的正类样例。例如，m＝2，即在该连线的中点处进行采样以获得新的正类样例。
在可选的实施例中，在生成目标正类集合之后，该方法还包括：对目标正类集合中的正类样例进行去重。具体的，可以根据属性来对正类样例进行去重。本实施例中对目标正类集合中可能出现的重复正类样例进行去重，从而避免出现大量的冗余正类样例，进而在一定程度上避免后续集成分类器可能出现的过拟合问题。
图2是根据本发明实施例的另一种平衡化数据集生成方法的主要流程的示意图。在本实施例中，正类集合为X＝{x1,x2,.....xp}，负类集合为Y＝{y1,y2,......yq}，其中，正类样例的数量为p，负类样例的数量为q。如图2所示，该方法包括：
步骤S201：计算正类集合的中心点
步骤S202：对于该中心点r，在Y中确定其异类最近邻
步骤S203：计算xi(i＝1,2,....p)与的连线中点ai(i＝1,2,.....p)，将ai作为新的正类样例，记为A，A＝{a1,a2,......ap}，将A加入到X，获得中间正类集合为X'＝X+A；
步骤S204：对于X′中的每一个正类样例xi，在Y中分别确定其异类最近邻
步骤S205：计算xi与连线的中点bi，其中i＝1，2…p，将bi加入X′，得到目标正类集合X″；
步骤S206：对目标正类集合X″中的正类样例进行去重；
循环执行上述步骤若干次，得到最终的目标正类集合，然后从Y中提取多个负类样子，得到子负类集合Y′，其中子负类集合Y′中负类样例的数量与最终的目标正类集合中正类样例的数量相等，最后将最终的目标正类集合与子负类集合合并得到平衡化数据集。
本发明实施例的平衡化数据集生成方法，因为采用基于正类集合中正类样例与负类集合中负类样例之间的关联关系，生成新的正类样例，以生成目标正类集合；从所述负类集合中采样多个负类样例，获得子负类集合，其中，所述子负类集合中负类样例的数量与所述目标正类集合中正类样例的数量相等；将所述目标正类集合与所述子负类集合合并，生成平衡化数据集的技术手段，能够增加正类样例的数量的同时，扩大正类样例的学习域，增大正类样例的学习范围，从而提高分类准确度。
下面以具体的例子对本发明实施例进行说明。
如图3所示，原始非平衡数据集中有2个正类样例：a1和a2，则将正类集合记为A＝{a1，a2}，负类集合记为B＝{b1，b2…b35}。
第一步，计算正类集合的中心点，该中心点为坐标原点；
第二步，对于坐标原点，在B中确定其异类最近邻b1；
第三步，分别确定a1和a2与异类最近邻b1之间的连线；
第四步，将上述连线的中点a3和a4加入正类集合A，此时A＝{a1，a2，a3，a4}；
第五步，在B中分别确定a1，a2，a3和a4的异类最近邻，得到b2，b3，b4和b5；
第六步，在正类样例与其对应的异类最近邻的连线的中点a5，a6，a7和a8加入到正类集合A中，此时A＝{a1，a2，a3，a4，a5，a6，a7，a8}；
第七步，依据正类样例的属性信息，对A＝{a1，a2，a3，a4，a5，a6，a7，a8}中的正类样例进行去重。
图4是根据本发明实施例的分类方法的主要流程的示意图。如图4所示，该方法包括：
步骤S401：根据多个平衡化数据集，进行模型训练，得到多个分类器；
步骤S402：利用所述多个分类器对待分类样例进行分类，得到多个预测结果；
步骤S403：对所述多个预测结果进行投票，将得到票数最多的预测结果作为所述待分类样例的分类结果。
对于步骤S401，上述多个平衡化数据集根据如下过程获得：多次从负类集合中提取多个负类样例，获得多个子负类集合，其中，每个所述子负类集合中负类样例的数量与所述目标正类集合中正类样例的数量相等；将目标正类集合分别与每个子负类集合进行合并，得到多个平衡化数据集。
在可选的实施例中，可以利用极限学习机算法对多个平衡化数据集进行模型训练，得到多个分类器。具体的，分类器的数量可以是奇数。
对于步骤S402，将待分类样例输入多个分类器，每个分类器输出一个预测结果，共得到多个预测结果。其中，待分类样例可以是非平衡测试集中的一个样例。
对于步骤S403，利用多数投票法对多个预测结果进行投票，将得到票数最多的预测结果作为待分类样例的分类结果。
本发明实施例的分类方法，采用基于多个平衡化数据集，进行模型训练，得到多个分类器；利用所述多个分类器对待分类样例进行分类，得到多个预测结果；对所述多个预测结果进行投票，将得到票数最多的预测结果作为所述待分类样例的分类结果的技术手段，分类结果更准确。而且，在本发明实施例中，每个平衡化数据集包含了负类集合中部分负类样例和目标正类集合中全部的正类样例，保证了训练集中所有可用信息都不会浪费，从而提高了分类准确度。
分类问题中对分类性能常用的评估标准是准确率。用准确率来衡量平衡化数据集的分类效果是一个好的方法，但是却不再适合非平衡数据集的情况，因此在本实施例中以几何均值G-means作为非平衡数据集分类性能的评价准则。具体的，可以参考以下过程：
对于非平衡测试集中每一个测试样例，二分类器有四种可能的判决结果，记为：
TP：本属于正类且被判别为正类的样例个数；
FP：本属于负类且被判别为正类的样例个数；
FN：本属于正类且被判别为负类的样例个数；
TN：本属于负类且被判别为负类的样例个数。
表1给出了两类样例的混合矩阵，它是机器学习与模式识别领域中评价分类性能的常用方法。为方便说明，设测试集中的正类样例和负类样例总数分别为N1和N2，其中，N1＝TP+FN，N2＝FP+TN。
表1：
预测正类 预测负类
实际正类 TP FN
实际负类 FP TN
令：
将acc+称为正类的分类准确率，将acc-称为负类的分类准确率。
令：
分类器对正负两类样例的分类效果都比较好时，G-means值才会比较大，而当对负类的分类准确率很高而对正类的分类准确率很低时，G-means的结果并不会很理想。
以下实验采取的非平衡测试集分类性能的评估标准采用G-means。
在本次实验的过程中，选用了7个测试集，其中有5个测试集的数量较多，2个测试集的数量较少，具体数量请参考表2：
表2：
测试集 样例数 正类样例数 负类样例数 属性个数
A 1484 51 1433 7
B 4177 32 4145 8
C 12380 952 11428 16
D 117728 3679 114039 3
E 201355 4800 196555 10
F 335910 7742 328168 8
G 321341 150 321191 4
将本发明实施例的方法(简称方法A)、基于smote-多数投票集成方法(简称方法B)和基于smote-boost(简称方法C)在分类精度上进行了比较，结果如表3所示：
表3：
由表3可知，基于本发明实施例生成的平衡化数据集集成的分类器在实际应用中具有良好的分类精度。
图5是根据本发明实施例的平衡化数据集生成装置的主要模块的示意图。如图5所示，该装置500包括：
生成模块501，用于对于正类集合中的每个正类样例，基于所述每个正类样例与负类集合中负类样例之间的关联关系生成新的正类样例，将所述新的正类样例加入所述正类集合以得到目标正类集合；
提取模块502，用于从所述负类集合中提取多个负类样例，获得子负类集合，其中，所述子负类集合中负类样例的数量与所述目标正类集合中正类样例的数量相等；
合并模块503，用于将所述目标正类集合与所述子负类集合合并，生成平衡化数据集。
可选地，所述生成模块501还用于：确定正类集合的中心点，在所述负类集合中确定所述中心点的异类最近邻；对于所述正类集合中的每个正类样例，基于所述异类最近邻，生成新的正类样例。
可选地，所述生成模块501还用于：将所述新的正类样例加入所述正类集合，得到中间正类集合；对于中间正类集合中的每个正类样例，在所述负类集合中确定所述每个正类样例的异类最近邻；基于每个正类样例的异类最近邻，生成新的正类样例；将所述新的正类样例加入所述中间正类集合，得到目标正类集合。
可选地，所述生成模块501还用于：确定所述异类最近邻与正类样例之间的连线；在所述连线上进行采样以获得新的正类样例。
可选地，所述生成模块501还用于：在所述连线的中点处采样以获得新的正类样例。
可选地，所述装置500还包括去重模块，用于对所述目标正类集合中的正类样例进行去重。
本发明实施例的平衡化数据集生成装置，能够增加正类样例的数量的同时，扩大正类样例的学习域，增大正类样例的学习范围，从而提高分类准确度。
本发明实施例还提供一种分类装置，包括：模型训练模块，用于根据多个平衡化数据集，进行模型训练，得到多个分类器；分类预测模块，用于利用所述多个分类器对待分类样例进行分类，得到多个预测结果；分类确定模块，用于对所述多个预测结果进行投票，将得到票数最多的预测结果作为所述待分类样例的分类结果。
上述装置可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
图6示出了可以应用本发明实施例的平衡化数据集生成方法或平衡化数据集生成装置的示例性系统架构600。
如图6所示，系统架构600可以包括终端设备601、602、603，网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备601、602、603通过网络604与服务器605交互，以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器605可以是提供各种服务的服务器，例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息)反馈给终端设备。
需要说明的是，本发明实施例所提供的平衡化数据集生成方法一般由服务器605执行，相应地，分类器生成装置一般设置于服务器605中。
应该理解，图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图7，其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括发送模块、获取模块、确定模块和第一处理模块。其中，这些模块的名称在某种情况下并不构成对该单元本身的限定，例如，发送模块还可以被描述为“向所连接的服务端发送图片获取请求的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：
对于正类集合中的每个正类样例，基于所述每个正类样例与负类集合中负类样例之间的关联关系生成新的正类样例，将所述新的正类样例加入所述正类集合以得到目标正类集合；
从所述负类集合中提取多个负类样例，获得子负类集合，其中，所述子负类集合中负类样例的数量与所述目标正类集合中正类样例的数量相等；
将所述目标正类集合与所述子负类集合合并，生成平衡化数据集。
根据本发明实施例的技术方案，因为采用基于正类集合中正类样例与负类集合中负类样例之间的关联关系，生成新的正类样例，以生成目标正类集合；从所述负类集合中采样多个负类样例，获得子负类集合，其中，所述子负类集合中负类样例的数量与所述目标正类集合中正类样例的数量相等；将所述目标正类集合与所述子负类集合合并，生成平衡化数据集的技术手段，能够在增加正类样例的数量的同时，扩大正类样例的学习域，增大正类样例的学习范围，从而提高分类准确度。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (16)

1.一种平衡化数据集生成方法，其特征在于，包括：
对于正类集合中的每个正类样例，基于所述每个正类样例与负类集合中负类样例之间的关联关系生成新的正类样例，将所述新的正类样例加入所述正类集合以得到目标正类集合；
从所述负类集合中提取多个负类样例，获得子负类集合，其中，所述子负类集合中负类样例的数量与所述目标正类集合中正类样例的数量相等；
将所述目标正类集合与所述子负类集合合并，生成平衡化数据集。
2.根据权利要求1所述的方法，其特征在于，
基于所述每个正类样例与负类集合中负类样例之间的关联关系生成新的正类样例包括：
确定正类集合的中心点，在所述负类集合中确定所述中心点的异类最近邻；
对于所述正类集合中的每个正类样例，基于所述异类最近邻，生成新的正类样例。
3.根据权利要求2所述的方法，其特征在于，将所述新的正类样例加入所述正类集合以得到目标正类集合包括：
将所述新的正类样例加入所述正类集合，得到中间正类集合；
对于中间正类集合中的每个正类样例，在所述负类集合中确定所述每个正类样例的异类最近邻；
基于每个正类样例的异类最近邻，生成新的正类样例；
将所述新的正类样例加入所述中间正类集合，得到目标正类集合。
4.根据权利要求2或3所述的方法，其特征在于，所述生成新的正类样例包括：
确定所述异类最近邻与正类样例之间的连线；
在所述连线上进行采样以获得新的正类样例。
5.根据权利要求4所述的方法，其特征在于，在所述连线上进行采样以获得新的正类样例包括：
在所述连线的中点处采样以获得新的正类样例。
6.根据权利要求1所述的方法，其特征在于，在生成目标正类集合之后，所述方法还包括：
对所述目标正类集合中的正类样例进行去重。
7.一种分类方法，其特征在于，包括：
根据多个如权利要求1-6任一项所述的平衡化数据集，进行模型训练，得到多个分类器；
利用所述多个分类器对待分类样例进行分类，得到多个预测结果；
对所述多个预测结果进行投票，将得到票数最多的预测结果作为所述待分类样例的分类结果。
8.一种平衡化数据集生成装置，其特征在于，包括：
生成模块，用于对于正类集合中的每个正类样例，基于所述每个正类样例与负类集合中负类样例之间的关联关系生成新的正类样例，将所述新的正类样例加入所述正类集合以得到目标正类集合；
提取模块，用于从所述负类集合中提取多个负类样例，获得子负类集合，其中，所述子负类集合中负类样例的数量与所述目标正类集合中正类样例的数量相等；
合并模块，用于将所述目标正类集合与所述子负类集合合并，生成平衡化数据集。
9.根据权利要求8所述的装置，其特征在于，所述生成模块还用于：
确定正类集合的中心点，在所述负类集合中确定所述中心点的异类最近邻；
对于所述正类集合中的每个正类样例，基于所述异类最近邻，生成新的正类样例。
10.根据权利要求9所述的装置，其特征在于，所述生成模块还用于：
将所述新的正类样例加入所述正类集合，得到中间正类集合；
对于中间正类集合中的每个正类样例，在所述负类集合中确定所述每个正类样例的异类最近邻；
基于每个正类样例的异类最近邻，生成新的正类样例；
将所述新的正类样例加入所述中间正类集合，得到目标正类集合。
11.根据权利要求9或10所述的装置，其特征在于，所述生成模块还用于：
确定所述异类最近邻与正类样例之间的连线；
在所述连线上进行采样以获得新的正类样例。
12.根据权利要求11所述的装置，其特征在于，所述生成模块还用于：在所述连线的中点处采样以获得新的正类样例。
13.根据权利要求8所述的装置，其特征在于，所述装置还包括去重模块，用于对所述目标正类集合中的正类样例进行去重。
14.一种分类装置，其特征在于，包括：
模型训练模块，用于根据多个如权利要求1-6任一项所述的平衡化数据集，进行模型训练，得到多个分类器；
分类预测模块，用于利用所述多个分类器对待分类样例进行分类，得到多个预测结果；
分类确定模块，用于对所述多个预测结果进行投票，将得到票数最多的预测结果作为所述待分类样例的分类结果。
15.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
16.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN201810144850.7A 2018-02-12 2018-02-12 平衡化数据集生成方法和装置以及分类方法和装置 Pending CN110163226A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810144850.7A CN110163226A (zh) 2018-02-12 2018-02-12 平衡化数据集生成方法和装置以及分类方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810144850.7A CN110163226A (zh) 2018-02-12 2018-02-12 平衡化数据集生成方法和装置以及分类方法和装置

Publications (1)

Publication Number Publication Date
CN110163226A true CN110163226A (zh) 2019-08-23

Family

ID=67634977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810144850.7A Pending CN110163226A (zh) 2018-02-12 2018-02-12 平衡化数据集生成方法和装置以及分类方法和装置

Country Status (1)

Country Link
CN (1) CN110163226A (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105975992A (zh) * 2016-05-18 2016-09-28 天津大学 一种基于自适应升采样的不平衡数据集分类方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105975992A (zh) * 2016-05-18 2016-09-28 天津大学 一种基于自适应升采样的不平衡数据集分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张永;张卫国;徐维军;: "基于数据分割和集成学习的大规模SVM分类算法", 系统工程, no. 03 *
徐永华;李广水;: "基于距离加权模板约简和属性信息熵的增量SVM入侵检测算法", 计算机科学, no. 12 *
王陈希: "基于MapReduce的非平衡大数据集分类", 中国优秀硕士学位论文全文数据库 信息科技辑, pages 19 - 40 *

Similar Documents

Publication Publication Date Title
WO2022126971A1 (zh) 基于密度的文本聚类方法、装置、设备及存储介质
US11436540B2 (en) Method and apparatus for generating information
del Río-Chanona et al. Trends of the world input and output network of global trade
CN106803799B (zh) 一种性能测试方法和装置
CN109901987A (zh) 一种生成测试数据的方法和装置
CN110347428A (zh) 一种代码相似度的检测方法和装置
CN110909222A (zh) 基于聚类的用户画像建立方法、装置、介质及电子设备
CN111046237A (zh) 用户行为数据处理方法、装置、电子设备及可读介质
CN110532352A (zh) 文本查重方法及装置、计算机可读存储介质、电子设备
CN110119445A (zh) 生成特征向量和基于特征向量进行文本分类的方法和装置
CN112131322A (zh) 时间序列分类方法及装置
CN109146152A (zh) 一种线上事故等级预测方法和装置
CN109784352A (zh) 一种评估分类模型的方法和装置
CN110008345A (zh) 平台服务商行业数据聚合分析方法、装置、介质和设备
CN110309293A (zh) 文本推荐方法和装置
CN109684198B (zh) 待测试数据获取方法、装置、介质、电子设备
CN110751354B (zh) 一种异常用户的检测方法和装置
CN112950359B (zh) 一种用户识别方法和装置
CN110245684A (zh) 数据处理方法、电子设备和介质
CN110298371A (zh) 数据聚类的方法和装置
JP2022534160A (ja) 情報を出力するための方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム
CN110084255A (zh) 异常数据的检测方法和装置
CN107656927A (zh) 一种特征选择方法及设备
CN109902152A (zh) 用于检索信息的方法和装置
CN110472190A (zh) 填充有序序列的方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination