样本不均衡之Borderline-SMOTE——smote算法的改进

许多现实领域存在着不平衡的数据集，如发现不可靠的电信客户、卫星雷达图像中的漏油检测、学习单词发音、文本分类、欺诈电话检测、信息检索和过滤任务等。在这些领域中，我们真正感兴趣的是少数类别而不是多数类别。因此，我们需要对少数群体作出相当高的预测。smote合成少数样本过采样技术是解样本不均衡的方法。本文提出了两种新的过采样方法，即Borderline-smote1和Borderline-smote2，对边界线附近的少数样本被过采样。对于少数类别的样本，实验表明，我们的方法比窒息和随机抽样方法获得更好的tp率和f值。

在解决不平衡数据集问题上，前人做了很多，先简单提下，可供研究者深入。

一个数据集中可能存在两种不平衡。一个是类别不平衡，在这种情况下，有些类别比其他类别有更多的例子。另一个是类内不平衡，在这种情况下，一个类的某些子集的示例比同一类的其他子集少很多。按照惯例，在不平衡的数据集中，我们称具有更多示例的类为多数类，具有较少示例的类为少数类。不平衡域的研究大多集中在两类问题上，因为多类问题可以简化为两类问题。按照惯例，少数类别标签是正的，多数类别标签是负的。表1说明了一个两类问题的混淆矩阵。表的第一列是示例的实际类标签，第一行显示了它们的预测类标签。tp和tn分别表示正确分类的正例和负例的数量，而fn和fp分别表示错误分类的正例和负例的数量。

数据极不平衡时，多数类别的样本更容易预测，对少数班级的表现较差。如果数据集极不平衡，即使分类器正确地对大多数示例进行分类，并且对所有少数