97、稀疏训练数据下识别稀有类及聚类 k - 匿名算法研究

稀疏训练数据下识别稀有类及聚类 k - 匿名算法研究

1. 稀疏训练数据下的分类与聚类方法

在处理包含多个类别的数据时，若稀有类缺乏训练数据，单类方法便无法应用。当训练数据稀疏时，常见的分类技术难以产生准确且无偏的分类器。而通过精心选择种子，种子 k - 均值（SkM）在处理稀疏训练数据集时，对于未知数据实例的分类以及稀有类实例的识别表现更佳。这里的稀疏训练数据，指的是训练数据集规模小，或者因数据收集过程中的错误导致训练数据集包含不完整的类信息。

1.1 实验数据集

实验使用了来自 UC Irvine 机器学习库的 Ecoli 和 Yeast 两个数据集，具体信息如下：
| 数据集 | 实例数量 | 属性数量 | 类别数量及各类型实例数 |
| ---- | ---- | ---- | ---- |
| Ecoli | 336 | 7 个数值属性 | 8 类：cp (143), im (77), pp (52), imU (35), om (20), omL (5), imL (2), imS (2) |
| Yeast | 1462 | 8 个属性 | 10 类：CYT (463), NUC (429), MIT (244), ME3 (163), ME2 (51), ME1 (44), EXC (37), VAC (30), POX (20), ERL (5) |

1.2 实验方法

实验聚焦于三种常用方法：决策树（C4.5）、k - 最近邻（kNN）和种子 k - 均值（SkM）。由于通用 k - 均值的效果不如 SkM，所以仅展示 SkM 的结果。当训练数据中存在缺失的类标签时，SkM