CN112749719A - 一种用于样本均衡分类的方法和装置 - Google Patents

Abstract

本发明公开了一种用于样本均衡分类的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：接收原始样本数据；根据所述原始样本数据中每个样本的样本类别标记，从所述原始样本数据中识别出少数类别样本；确定所述原始样本数据中的样本与所述少数类别样本的距离，并根据所述距离确定灰度样本；将所述灰度样本的样本类别标记更新为灰度类别。该方法能够对原始样本数据进行处理，使得从原始样本数据中确定的灰度样本，从而增强样本各类别间的区分度，并使得样本分类更加均衡。

Description

一种用于样本均衡分类的方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种用于样本均衡分类的方法和装置。

背景技术

当前诸多业务场景都会面临正负样本不对等的情况，如信用卡逾期人群占总体客群比例极低(约3：100)、恶意订单占总体订单量的万分之一等场景。样本的极度不均衡通常会导致以下问题：在分析问题和根据原本建模时，如果正负样本极大不均衡，负样本非常少，则无法非常准确的捕捉出负样本的特征，从而降低了分析的效率及建模的效果和稳定性。以及，导致模型及分析对样本数较多的分类造成过拟合，即极易将少数样本分到占比较多的样本类别中去。在实际场景中，由于正样本中混淆着很多未被识别的负样本，所以获取的正样本并非真实。

对于上述问题，现有技术中的所采用的方法主要包括：搜集更多的数据和对数据进行采样。对于搜集更多的数据的方法，当搜集数据的场景本来产生数据的比例就是不平衡时，这种方法并不能解决数据比例不平衡问题。并且，现实生活和场景中数据获取途径有限，且使用与某些业务场景的数据来源及积累量有限，寻求新的数据可行性较低，存在搜集数据代价大的问题。对数据进行采样，是指对获取的样本数据采样有针对性地改变数据中样本的比例，采样一般有两种方式：over-sampling和under-sampling，前者是增加样本数较少的样本，其方式是直接复制原来的样本，而后者是减少样本数较多的样本，其方式是丢弃这些多余的样本。数据采样是现有解决样本不均衡问题最常用的方式，但是其存在过采用和欠采样问题。过采样为构造少数样本以达到样本均衡的效果，构造的样本往往是复制现存负样本，这对于很多算法来说并无用处。欠采样则会丢弃掉占比较多一方的样本，从而在解决样本不均衡问题的同时，造成了很大程度上的信息损失。

发明内容

有鉴于此，本发明实施例提供一种用于样本均衡分类的方法和装置，能够对原始样本数据进行处理，使得从原始样本数据中确定的灰度样本，从而增强样本各类别间的区分度，并使得样本分类更加均衡。

为实现上述目的，根据本发明实施例的一个方面，提供了一种用于样本均衡分类的方法。

本发明实施例的用于样本均衡分类的方法包括：接收原始样本数据；根据所述原始样本数据中每个样本的样本类别标记，从所述原始样本数据中识别出少数类别样本；确定所述原始样本数据中的样本与所述少数类别样本的距离，并根据所述距离确定灰度样本；将所述灰度样本的样本类别标记更新为灰度类别。

可选地，确定所述原始样本数据中的样本与所述少数类别样本的距离，并根据所述距离确定灰度样本的步骤包括：确定所述少数类别样本的至少一个聚类中心点；对于所述原始样本数据中不是少数类别样本的样本，计算该样本与每个聚类中心点的聚类距离，所有聚类距离的均值为该样本与少数类别样本的距离；根据所述距离和预设的阈值，从所述原始样本数据中不是少数类别样本的样本中确定出灰度样本。

可选地，在根据所述距离确定灰度样本之后，将所述灰度样本的样本类别标记更新为灰度类别之前，还包括：计算所述灰度样本的样本方差；确定所述样本方差大于预设的方差。

可选地，在将所述灰度样本的样本类别标记更新为灰度类别之后，还包括：根据更新后的样本类别标记，确定所述原始样本数据中的每个样本所属的类别集合；对于每个类别集合，根据该类别集合中的样本数据构建该类别的类别识别模型。

可选地，在根据更新后的样本类别标记，确定所述原始样本数据中的每个样本所属的类别集合之后，还包括：确定所述类别集合间的差异性数值。

为实现上述目的，根据本发明实施例的另一个方面，提供了一种用于样本均衡分类的装置。

本发明实施例的用于样本均衡分类的装置包括：

数据接收模块，用于接收原始样本数据；

分类模块，用于根据所述原始样本数据中每个样本的样本类别标记，从所述原始样本数据中识别出少数类别样本；

灰度样本确定模块，用于确定所述原始样本数据中的样本与所述少数类别样本的距离，并根据所述距离确定灰度样本；

类别标记更新模块，用于将所述灰度样本的样本类别标记更新为灰度类别。

可选地，所述灰度样本确定模块还用于，确定所述少数类别样本的至少一个聚类中心点；以及，对于所述原始样本数据中不是少数类别样本的样本，计算该样本与每个聚类中心点的聚类距离，所有聚类距离的均值为该样本与少数类别样本的距离；根据所述距离和预设的阈值，从所述原始样本数据中不是少数类别样本的样本中确定出灰度样本。

可选地，还包括灰度样本有效性确定模块，用于计算所述灰度样本的样本方差；以及，确定所述样本方差大于预设的方差。

可选地，还包括模型构建模块；

所述分类模块还用于，根据更新后的样本类别标记，确定所述原始样本数据中的每个样本所属的类别集合；

所述模型构建模块，用于对于每个类别集合，根据该类别集合中的样本数据构建该类别的类别识别模型。

可选地，还包括差异性确定模块，用于确定所述类别集合间的差异性数值。

为实现上述目的，根据本发明实施例的再一个方面，提供了一种电子设备。

本发明实施例的电子设备包括：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上述任一项的用于样本均衡分类的方法。

为实现上述目的，根据本发明实施例的再一个方面，提供了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上述任一项的用于样本均衡分类的方法。

上述发明中的一个实施例具有如下优点或有益效果：能够对原始样本数据进行处理，使得从原始样本数据中确定的灰度样本，从而增强样本各类别间的区分度，并使得样本分类更加均衡。并且，由于个类别样本间的区分度更加明显，在构建类别识别模型时，可增强类别识别模型变量的显著性及模型的预测能力。

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用于样本均衡分类的方法的主要流程的示意图；

图2是根据本发明实施例的样本二分类的方法的流程示意图；

图3是根据本发明实施例的构建灰度样本的示意图；

图4是根据本发明实施例的用于样本均衡分类的装置的主要模块的示意图；

图5是本发明实施例可以应用于其中的示例性系统架构图；

图6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用于样本均衡分类的方法的主要流程的示意图，如图1所示，本发明实施例的用于样本均衡分类的方法主要包括：

步骤S101：接收原始样本数据。该原始样本数据中的样本的类别已经被初始标记，只是根据该初始标记得到的样本分类是不均衡的。通过以下步骤，可使得该样本的分类均衡，从而根据该均衡分类的样本捕捉类别样本特征，进一步创建更加准确的类别识别模型。

步骤S102：根据原始样本数据中每个样本的样本类别标记，从原始样本数据中识别出少数类别样本。在很多情况下，由于业务场景会面临正负样本不对等的情况，例如信用卡逾期人群占总体客群比例极低(约3：100)、恶意订单占总体订单量的万分之一等场景，则导致获取的样本数据中各类别样本数量不均衡的问题。在本发明实施例中，少数类别样本是指，一些样本数量比较少的类别样本。在本步骤中，可通过根据原始样本数据中每个样本的样本类别标记，统计各个样本类别下的样本数量。然后，将样本数量最少或者样本数量小于一定数值的样本类别中的样本，确定为少数类别样本。又或者，直接根据识别指令，直接从原始样本数据中识别出少数类别样本。例如，对于标记为正、负样本的原始样本数据，接收到的识别指令为将负样本确定为少数类别样本。则在接收到原始样本数据之后，直接识别出标记为负样本的样本数据。

步骤S103：确定原始样本数据中的样本与少数类别样本的距离，并根据距离确定灰度样本。具体的，确定少数类别样本的至少一个聚类中心点。对于原始样本数据中不是少数类别样本的样本，计算该样本与每个聚类中心点的聚类距离，所有聚类距离的均值为该样本与少数类别样本的距离。然后，根据距离和预设的阈值，从原始样本数据中不是少数类别样本的样本中确定出灰度样本。其中，对于该预设的阈值，可自动设置，也可动态计算。例如：计算拆分出灰度样本后的正样本、负样本、灰度样本的样本间方差最大值或者样本内方差最小值，设置为阈值。也可以基于对样本量的控制，需要多大量的灰度样本，从而反推阈值。再者，可以通过设定具体的相似度阈值或距离阈值，该类阈值的选择可以通过计算样本间差异性判定。

步骤S104：将灰度样本的样本类别标记更新为灰度类别。在已经初步标记类别的原始样本数据的基础上，对该原始样本数据创建灰度样本。例如，样本数量比较少的负样本，正样本数据比较大，且正样本中包含负样本的可能性很大，可通过计算其他样本与该负样本的距离，从正样本中确定出一些中间样本数据，该中间样本数据即为灰度样本。为便于后续处理，将该中间样本的类别标记更新为灰度类别，则可通过类别标记识别出灰度样本。正样本中刨除该灰度样本之后，为纯净的正样本，还可进一步将灰度样本中的负样本添加到原始的负样本中，进而正样本数量减少，负样本数量增加，有利于样本的分类均衡。并且，由于该灰度样本，纯净的正负样本的区分度会更加明显，在构建类别识别模型时，可增强类别识别模型变量的显著性及模型的预测能力。

在步骤S104之后，根据更新后的样本类别标记，确定原始样本数据中的每个样本所属的类别集合。对于每个类别集合，根据该类别集合中的样本数据构建该类别的类别识别模型。并且，在根据更新后的样本类别标记，确定原始样本数据中的每个样本所属的类别集合之后，确定类别集合间的差异性数值。通过该类别集合间的差异性数值，可在一定程度上判断该样本分类的均衡程度。

以及，在根据距离确定灰度样本之后，将灰度样本的样本类别标记更新为灰度类别之前，还包括：计算所述灰度样本的样本方差；确定所述样本方差大于预设的方差。样本方差用来表示灰度样本中样本的变异程度。先求出灰度样本中各个样本与灰度样本的算术平均数的离差的平方，然后再对该离差的平方取平均数，就叫做样本方差。灰度样本的样本方差能够体现原始样本数据中的正负样本区分度，计算样本方差的过程是对确定的灰度样本的有效性进行验证的过程，如果验证其有效性没有达到预设标准，即样本方差小于或等于预设的方差，表示正负样本区分度较低，则再次进行迭代计算，即重新确定原始样本数据中的样本与所述少数类别样本的距离，并根据该距离重新确定出灰度样本，然后再次验证灰度样本的有效性，即再次计算样本方差，直至样本方差大于预设的方差，此时正负样本区分度较高，实现了增强样本各类别间的区分度、使得样本分类更加均衡的目的。

在本发明实施例中，对于灰度样本有效性的验证，可通过以下方式：1)对灰度样本进行回测打分：如恶意订单模型，在确定出灰度样本后，对灰度样本进行回测打分，查看是否恶意的概率很高；2)人工打标：将提取的灰度样本提供给业务部门进行人工打标，真实验证灰度样本中的恶意和非恶意占比，人工打标后也能进一步的确认灰度样本中的纯黑和白样本，可以将纯黑样本添加至负样本中，白样本也放置会正常样本(正样本)中，从而进一步的迭代；3)检验在设置灰度样本前的正负样本区分度，以及设置灰度样本后的正负样本区分度，从而判定其有效性，一般采用方差检验进行判别即可，其中在设置了灰度样本后，正负样本的区分度越大说明灰度样本设立的效果越好。

图2是根据本发明实施例的样本二分类的方法的流程示意图；图3是根据本发明实施例的构建灰度样本的示意图。

对于极大多数样本非均衡及样本二分类的情况，其往往存在以下问题：获取的原始样本数据中的正负样本的区分度不大、正样本数量极大且正样本采用人群混杂。可通过在正负样本之间建立灰色样本，从而使得正负样本之间有更强的样本区分度，以及更加均衡的样本分布，进而解决了上述问题。

如图2所示，本发明实施例的样本二分类的方法主要包括：构建灰度样本，建立正负例识别模型及验证效果，检验灰度样本的有效性，以及，进一步还包括对建立的正负例识别模型进行打分和应用。

在灰度样本的构建的过程中，首先获取原始的正负例样本，其中，负样本为少数类别样本。通过对样本数据的特征信息进行梳理分析，并基于该特征信息的分析，对样本数据进行清洗整合。然后，基于无监督学习的过程。具体的，如图3所示，随机抽样负样本中的几个随机点作为负样本的聚类中心点，计算其他样本(原始样本中除该负样本以外的样本)距离每个负样本的聚类中心点的距离，该距离的平均距离作为其他样本与负样本之间的距离。设置阈值，在阈值范围内则划分为灰度样本，阈值范围外则划分为正样本，从而达成对样本的划分。

其中，灰度样本的构建是基于样本中的正负样本及相关的特征信息的分析梳理。如订单样本中，有大部分的正常订单和极小量的恶意订单，其分别为原始正样本和原始负样本。获取与业务主题相关的数据特征，如订单涉及的品类、商家、商户、商品、订单所属的下单账户信息、下单账户的历史交易行为特征、下单账户的恶意风险程度等特征信息。然后，基于该特征信息，对负样本(恶意订单)进行分析以及对负样本进行数据归一化。在本发明实施例中，计算原始正样本中的样本与负样本的距离，根据该距离从原始正样本中确定出一些中间样本数据，即为灰度数据。如图3所示，内部为原始负样本，中间环部分为从原始正样本中确定出的灰度样本，外环部分为刨去灰度样本的正样本。该得到的正样本为纯净的正样本，即大量该正样本数据中包含负样本的比例比较低。

在建立正负例识别模型及验证效果的过程中，是对隔离灰度样本后的样本进行相关主题模型的建立，如识别恶意订单模型的建立和验证。其中，可通过回归、决策树、机器学习等方法进行模型的建立。对于验证模型效果，分为对刨除灰度样本的模型准确性的验证，及灰度样本的灰度验证(预测灰度样本的灰白概率)，如：灰度样本的预测结果表明其中白样本占比90％，黑样本占比10％，则说明灰度样本灰度不足，需重新迭代整个流程。若灰度样本灰度足够(黑样本占比高)，且模型准确率满足预期，则完成灰度样本的建立和验证。同时可以利用描述性特征信息，通过统计分析和假设检验方法来检验正常样本、恶意样本、灰度样本间的样本差异性。

在隔离灰度样本的样本数据建模完成后，可以进一步检验灰度样本的有效性。其中，主要从以下几个方面进行：模型评价，如恶意订单模型，在模型建立完毕后，对灰度样本进行回测打分，查看是否恶意的概率很高从而验证我们的假设；人工打标，将提取的灰度样本提供给业务部门进行人工打标，真实验证灰度样本中的恶意和非恶意占比，人工打标后也能进一步的确认灰度样本中的纯黑和白样本，可以将纯黑样本添加至负样本中，白样本也放置会正常样本(正样本)中，从而进一步的迭代；可检验在设置灰度样本前的正负样本区分度及设置灰度样本后的正负样本区分度，从而判定其有效性，一般采用方差检验进行判别即可。

对于模型的打分和应用，是在设置好灰度样本后，即可完成最终版本的模型及分析，从而运用于预测和规则发现等场景中。

本发明实施例中，通过将多数样本中的一部分划分成灰色样本，从而缩小多数样本和少量样本的不均衡问题，从而解决正负样本不对等问题。另一方面，拆分及构建的灰度样本中，是存在一定的少量样本或负面样本特征的，因此能够在“好样本”和“坏样本”之间建立样本隔离带，使得好坏样本的区分度更加明显，增强模型变量的显著性及模型的预测能力。此外，灰度样本本身包含一些负面样本信息，因此可以在原先的样本中发掘和发现更多的异常或负面样本信息。

图4是根据本发明实施例用于样本均衡分类的装置的主要模块的示意图，如图4所示，本发明实施例的用于样本均衡分类的装置400包括数据接收模块401、分类模块402和灰度样本确定模块403、类别标记更新模块404。

数据接收模块401用于，接收原始样本数据。

分类模块402用于，根据原始样本数据中每个样本的样本类别标记，从原始样本数据中识别出少数类别样本。

灰度样本确定模块403用于，确定原始样本数据中的样本与少数类别样本的距离，并根据距离确定灰度样本。灰度样本确定模块还用于，确定少数类别样本的至少一个聚类中心点；以及，对于原始样本数据中不是少数类别样本的样本，计算该样本与每个聚类中心点的聚类距离，所有聚类距离的均值为该样本与少数类别样本的距离；根据距离和预设的阈值，从原始样本数据中不是少数类别样本的样本中确定出灰度样本。

类别标记更新模块404用于，将灰度样本的样本类别标记更新为灰度类别。

本发明实施例的用于样本均衡分类的装置还包括灰度样本有效性确定模块，用于计算所述灰度样本的样本方差；以及，确定所述样本方差大于预设的方差。

本发明实施例的用于样本均衡分类的装置还包括模型构建模块(图中并未示出)。分类模块402还用于，根据更新后的样本类别标记，确定原始样本数据中的每个样本所属的类别集合。模型构建模块，用于对于每个类别集合，根据该类别集合中的样本数据构建该类别的类别识别模型。

本发明实施例的用于样本均衡分类的装置还包括差异性确定模块(图中并未示出)，用于确定类别集合间的差异性数值。

本发明实施例，能够对原始样本数据进行处理，使得从原始样本数据中确定的灰度样本，从而增强样本各类别间的区分度，并使得样本分类更加均衡。并且，由于个类别样本间的区分度更加明显，在构建类别识别模型时，可增强类别识别模型变量的显著性及模型的预测能力。例如，样本数量比较少的负样本，正样本数据比较大，且正样本中包含负样本的可能性很大，可通过计算其他样本与该负样本的距离，从正样本中确定出一些中间样本数据，该中间样本数据即为灰度样本。为便于后续处理，将该中间样本的类别标记更新为灰度类别，则可通过类别标记识别出灰度样本。正样本中刨除该灰度样本之后，为纯净的正样本，还可进一步将灰度样本中的负样本添加到原始的负样本中，进而正样本数量减少，负样本数量增加，有利于样本的分类均衡。并且，由于该灰度样本，纯净的正负样本的区分度会更加明显，在构建类别识别模型时，可增强类别识别模型变量的显著性及模型的预测能力。

图5示出了可以应用本发明实施例的用于样本均衡分类的方法或用于样本均衡分类的装置的示例性系统架构500。

如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504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501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503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(仅为示例)。

终端设备501、502、503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505可以是提供各种服务的服务器，例如对用户利用终端设备501、502、503所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。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，并将处理结果反馈给终端设备。

需要说明的是，本发明实施例所提供的用于样本均衡分类的方法一般由服务器505执行，相应地，用于样本均衡分类的装置一般设置于服务器505中。

应该理解，图5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6，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600的结构示意图。图6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6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；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607；包括硬盘等的存储部分608；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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，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610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608。

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609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601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：一种处理器包括获取数据接收模块、分类模块、灰度样本确定模块和类别标记更新模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，数据接收模块还可以被描述为“接收原始样本数据的模块”。

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：接收原始样本数据；根据原始样本数据中每个样本的样本类别标记，从原始样本数据中识别出少数类别样本；确定原始样本数据中的样本与少数类别样本的距离，并根据距离确定灰度样本；将灰度样本的样本类别标记更新为灰度类别。

本发明实施例，能够对原始样本数据进行处理，使得从原始样本数据中确定的灰度样本，从而增强样本各类别间的区分度，并使得样本分类更加均衡。并且，由于个类别样本间的区分度更加明显，在构建类别识别模型时，可增强类别识别模型变量的显著性及模型的预测能力。

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 (12)

1.一种用于样本均衡分类的方法，其特征在于，包括：

接收原始样本数据；

根据所述原始样本数据中每个样本的样本类别标记，从所述原始样本数据中识别出少数类别样本；

确定所述原始样本数据中的样本与所述少数类别样本的距离，并根据所述距离确定灰度样本；

将所述灰度样本的样本类别标记更新为灰度类别。

2.根据权利要求1所述的方法，其特征在于，确定所述原始样本数据中的样本与所述少数类别样本的距离，并根据所述距离确定灰度样本的步骤包括：

确定所述少数类别样本的至少一个聚类中心点；

对于所述原始样本数据中不是少数类别样本的样本，计算该样本与每个聚类中心点的聚类距离，所有聚类距离的均值为该样本与少数类别样本的距离；

根据所述距离和预设的阈值，从所述原始样本数据中不是少数类别样本的样本中确定出灰度样本。

3.根据权利要求1所述的方法，其特征在于，在根据所述距离确定灰度样本之后，将所述灰度样本的样本类别标记更新为灰度类别之前，还包括：

计算所述灰度样本的样本方差；

确定所述样本方差大于预设的方差。

4.根据权利要求1所述的方法，其特征在于，在将所述灰度样本的样本类别标记更新为灰度类别之后，还包括：

根据更新后的样本类别标记，确定所述原始样本数据中的每个样本所属的类别集合；

对于每个类别集合，根据该类别集合中的样本数据构建该类别的类别识别模型。

5.根据权利要求4所述的方法，其特征在于，在根据更新后的样本类别标记，确定所述原始样本数据中的每个样本所属的类别集合之后，还包括：

确定所述类别集合间的差异性数值。

6.一种用于样本均衡分类的装置，其特征在于，包括：

数据接收模块，用于接收原始样本数据；

分类模块，用于根据所述原始样本数据中每个样本的样本类别标记，从所述原始样本数据中识别出少数类别样本；

灰度样本确定模块，用于确定所述原始样本数据中的样本与所述少数类别样本的距离，并根据所述距离确定灰度样本；

类别标记更新模块，用于将所述灰度样本的样本类别标记更新为灰度类别。

7.根据权利要求6所述的装置，其特征在于，所述灰度样本确定模块还用于，确定所述少数类别样本的至少一个聚类中心点；以及，对于所述原始样本数据中不是少数类别样本的样本，计算该样本与每个聚类中心点的聚类距离，所有聚类距离的均值为该样本与少数类别样本的距离；根据所述距离和预设的阈值，从所述原始样本数据中不是少数类别样本的样本中确定出灰度样本。

8.根据权利要求6所述的装置，其特征在于，还包括灰度样本有效性确定模块，用于计算所述灰度样本的样本方差；以及，确定所述样本方差大于预设的方差。

9.根据权利要求6所述的装置，其特征在于，还包括模型构建模块；

所述分类模块还用于，根据更新后的样本类别标记，确定所述原始样本数据中的每个样本所属的类别集合；

所述模型构建模块，用于对于每个类别集合，根据该类别集合中的样本数据构建该类别的类别识别模型。

10.根据权利要求9所述的装置，其特征在于，还包括差异性确定模块，用于确定所述类别集合间的差异性数值。

11.一种电子设备，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1-5中任一所述的方法。

12.一种计算机可读介质，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1-5中任一所述的方法。

Images