2、不平衡多类数据集挖掘的平衡代理性能评估

不平衡多类数据集挖掘的平衡代理性能评估

1 引言

多类不平衡数据挖掘在机器学习和数据挖掘领域是一项具有挑战性的任务。当一个数据集中包含多个类别，但每个类别的实例数量显著不平衡时，就会出现这种情况。这可能是因为一个或多个类别在数据集中占主导地位，而其他类别的实例则很少。

不平衡数据集会给机器学习算法带来问题，因为由于缺乏足够的训练数据，它们可能无法准确地对少数类进行分类。此外，在多类不平衡数据挖掘中，类别之间的相互关系复杂，难以识别。因此，传统的机器学习算法在多类不平衡数据集上的表现往往不佳，导致预测准确率低和模型有偏差。

为了解决这些问题，文献中提出了各种方法。处理多类问题的算法大致可分为二值化方法和临时解决方案。二值化旨在将M类问题分解为M(M - 1)/2个二值子问题（一对一，OVO）或M个二值子问题（一对多，OVA）。过去几十年，多类不平衡数据挖掘领域有大量研究，一些关键技术包括：
1. 欠采样 ：减少多数类的实例数量，使数据集更加平衡。
2. 过采样 ：增加少数类的实例数量，使数据集更加平衡。
3. 代价敏感学习 ：修改机器学习算法的损失函数，考虑不同类别误分类的相对重要性或代价。
4. 集成方法 ：如装袋、提升和堆叠等方法，已被证明在处理不平衡数据集方面有效。
5. 算法级方法 ：专门针对多类不平衡问题的方法。

欠采样的主要优点是实现简单快速，但可能导致多数类重要信息的丢失。过采样的主要优点是可以提高机器学习算法在