主权项 |
一种基于文本模型的过采样算法,包括如下步骤:第一,在文本模型中选取每个少数类样本S,分别对集合Cand(S)和Noise(S)初始化;第二,计算S与文本模型中所有样本的欧几里得距离,并选出其中距离最近的k个样本(k通常取5),存入集合A(S);计算S与所有其他少数类样本的欧几里得距离,并选出其中距离最近的k个样本,存入集合B(S);第三,计算集合A(S)中少数类样本所占的比例R,<img file="FDA0000629867480000011.GIF" wi="374" he="142" />其中|A(S)∩B(S)|表示A(S)和B(S)的交集的样本数,|A(S)|表示A(S)的样本数;第四,根据步骤三中R的值更新集合Cand(S)和Noise(S);第五,对步骤四中获得集合Cand(S)判断是否为空,如果集合Cand(S)不为空,则进行随机线性插值,即从Cand中(S)随机选出m个样本,分别与样本S进行随机线性插值,m的取值应参照样本集合不平衡比率;第六,对步骤四获得集合Noise(S)判断是否为空,集合Noise(S)不为空,则从样本集合中删除Noise(S)集合中包含的样本;第七,判断文本模型中是否存在少数类样本S;如果步骤七中存在少数类样本S,则返回步骤一循环计算;否则算法结束。 |