董慶偉

(閩南理工學(xué)院信息管理學(xué)院，福建 石獅 362700)

0 引言

分類問題在實(shí)際生活中常見，分類算法的種類也特別多，但由于大多數(shù)的分類算法在分類過程中都是針對相對平衡的數(shù)據(jù)集進(jìn)行分類，對于數(shù)據(jù)集不平衡的少類樣本沒有重點(diǎn)考慮，所以會導(dǎo)致少類樣本分類準(zhǔn)確率低的現(xiàn)象[1]。而在現(xiàn)實(shí)生活中，可能會更需要少類樣本分類，比如一萬個人中只有幾個人患某一罕見疾病，這時候就需要重點(diǎn)分類出這幾個樣本。因此，需要針對少類樣本的特性改善算法，提高不平衡數(shù)據(jù)集的分類準(zhǔn)確率[2]。處理不平衡數(shù)據(jù)集的分類問題、提高少數(shù)類的分類正確率成為當(dāng)前分類算法設(shè)計(jì)的研究熱點(diǎn)[3]。本文針對不平衡數(shù)據(jù)集分類過程中產(chǎn)生的不平衡性問題，嘗試使用采樣技術(shù)與傳統(tǒng)分類算法相結(jié)合的方法，解決不平衡數(shù)據(jù)集的分類過程中產(chǎn)生的問題。首先使用過采樣等技術(shù)對數(shù)據(jù)集進(jìn)行預(yù)處理，產(chǎn)生新的訓(xùn)練樣本，在一定程度上解決分類樣本的分布不平衡性問題；其次確定基本分類器，采用Adaboost算法對分類器進(jìn)行學(xué)習(xí)訓(xùn)練[4]，并輸入測試集進(jìn)行測試，統(tǒng)計(jì)分類結(jié)果并加以分析(包括準(zhǔn)確率和錯誤率)；最后采用多組數(shù)據(jù)進(jìn)行測試，驗(yàn)證此次設(shè)計(jì)的可行性。

1 Adaboost算法原理與分類方法

1.1 不平衡數(shù)據(jù)集

不平衡數(shù)據(jù)集又稱非平衡數(shù)據(jù)集。在一個待分類的樣本中，數(shù)量較小的一類樣本稱為少類樣本或正類樣本，而分布數(shù)量較多的那一類樣本稱為多類樣本或負(fù)類樣本[5]。不平衡數(shù)據(jù)集因?yàn)樽陨順颖痉诸惒黄胶獾奶攸c(diǎn)，在分類過程中會帶來許多問題和難點(diǎn)。

1.2 Adaboost算法

Adaboost算法的思想是：通過改變權(quán)值來對基本分類器進(jìn)行訓(xùn)練和學(xué)習(xí)，然后把多個分類器算法的核心內(nèi)容通過改變樣本的權(quán)重值來實(shí)現(xiàn)，對于分類正確的樣本就減小權(quán)值，對于分類錯誤的樣本則增加權(quán)值[1]，這樣能在下一次分類過程中著重對分類錯誤的樣本進(jìn)行分類；將重新分配過權(quán)值新訓(xùn)練集送到下層分類器進(jìn)行新的訓(xùn)練，得到更加精確的分類效果；把每次訓(xùn)練得到的分類器根據(jù)一定的原則進(jìn)行組合，形成一個新的強(qiáng)分類器，作為最后的決策分類器?？傮w來說，Adaboost算法就是把分類重點(diǎn)放在那些難以分類的樣本上面，從根本上解決少類樣本的分類難題，提高整體的分類效果。算法整體流程如圖1所示。

圖1 Adaboost算法整體流程圖

從圖1可以看出，Adaboost算法整個過程可以分為兩個部分：第一部分為迭代過程；第二部分為分類器的加權(quán)組合過程。第一步，首先將輸入的訓(xùn)練集樣本權(quán)值設(shè)為1/N，然后用分類器1進(jìn)行分類，得出分類錯誤率和分類權(quán)重，根據(jù)得到的分類結(jié)果和錯誤率以及權(quán)值a來更新樣本權(quán)值，從而形成新的訓(xùn)練集DATA2；再利用基本分類器2進(jìn)行分類，同上述一樣，再次更新樣本權(quán)值得到若干基本分類器和權(quán)重。第二步就是根據(jù)得到的分類器權(quán)值a進(jìn)行加權(quán)投票，從而組合成一個強(qiáng)分類器。對不平衡數(shù)據(jù)集進(jìn)行一個采樣預(yù)處理，通過增加少類樣本的數(shù)量，在一定程度上減緩不平衡數(shù)據(jù)集的不平衡性，然后用基本分類器學(xué)習(xí)算法來處理訓(xùn)練集，構(gòu)建一個強(qiáng)分類器，再用測試集進(jìn)行測試，得出分類結(jié)果并進(jìn)行分析。

1.3 結(jié)果分析指標(biāo)

1.3.1 精確度

精確度用來衡量一個數(shù)據(jù)集的總體分類效果，從整體的角度進(jìn)行衡量，更多地適合用于反應(yīng)相對平衡的數(shù)據(jù)集，而不平衡數(shù)據(jù)集的分類不平衡性則很難進(jìn)行分類效果衡量。

(1)

其中，TP為被正確分類的正類樣本數(shù)量；TN為被正確分類的負(fù)類樣本數(shù)量；n+為多類樣本數(shù)量；n-為少類樣本數(shù)量。

1.3.2 準(zhǔn)確率

準(zhǔn)確率是被正確分類的正類樣本數(shù)量與被分為正類樣本數(shù)量的比。

(2)

其中，TP為被正確分類的正類樣本數(shù)量；FP為錯誤分類的正類樣本數(shù)量。

1.3.3 召回率

召回率反映的是被正確分類的正類樣本數(shù)量與所有樣本數(shù)量的比。

(3)

其中，TP為被正確分類的正類樣本數(shù)量；FN為錯誤分類的正類樣本數(shù)量。

1.3.4 不平衡率

不平衡率是被正確分類的正類樣本數(shù)量與所有樣本數(shù)量的比。

(4)

其中，TP為被正確分類正類樣本數(shù)量；n+為多類樣本數(shù)量；n-為少類樣本數(shù)量。

2 實(shí)驗(yàn)結(jié)果

2.1 實(shí)驗(yàn)數(shù)據(jù)

本文采用Adaboost算法得到實(shí)驗(yàn)數(shù)據(jù)，數(shù)據(jù)集包括：第一組數(shù)據(jù)為demo數(shù)據(jù)集，隨機(jī)產(chǎn)生200個樣本，樣本維度為2；第二組為heart數(shù)據(jù)集，共有100個樣本，樣本維度為13；第三組為下載的usps數(shù)據(jù)集，共1 000個樣本，樣本維度為256。分別對以上數(shù)據(jù)進(jìn)行分類測試。

2.2 實(shí)驗(yàn)數(shù)據(jù)測試

分別使用Adaboost算法和單層決策樹(decision stump)對三組數(shù)據(jù)進(jìn)行測試，測試結(jié)果如表1所示。數(shù)據(jù)不同，其樣本分布不同；數(shù)據(jù)分布的不平衡影響最終的分類準(zhǔn)確率。從表1可以看出，不平衡率越大的數(shù)據(jù)集，分類準(zhǔn)確率越低。本文方法在一定程度上能夠提高分類效果，由于樣本數(shù)量不同，所得到的分類效果也不同。總體來說，測試集和訓(xùn)練集的分類準(zhǔn)確率會隨著迭代次數(shù)、樣本數(shù)量的增大而提高。從實(shí)驗(yàn)結(jié)果來看，隨著樣本不平衡率的提高，樣本分類準(zhǔn)確率會相對降低，這是由不平衡數(shù)據(jù)集的不平衡特點(diǎn)所引起的，而本文采用的Adaboost算法在一定程度上能夠減緩樣本不平衡所帶來的問題。

表1 不同樣本得到的分類準(zhǔn)確率統(tǒng)計(jì)結(jié)果

2.3 迭代次數(shù)對Adaboost算法分類的影響

圖2為訓(xùn)練集和測試集錯誤率變化圖，其中，y軸代表訓(xùn)練集和測試集的分類錯誤率，x軸代表分類器迭代次數(shù)。不同的數(shù)據(jù)集樣本平衡度不同，其得到的測試樣本分類準(zhǔn)確率也不同，而其隨著迭代次數(shù)的變化而變化。隨著迭代次數(shù)的增加，訓(xùn)練集錯誤率總體呈逐漸降低趨勢。由于訓(xùn)練集是用來訓(xùn)練分類器學(xué)習(xí)的，所以其準(zhǔn)確率要比測試集的準(zhǔn)確率要高[5]。不僅迭代次數(shù)能夠引起錯誤率的變化，同樣地，訓(xùn)練樣本的數(shù)量也影響著最終的分類效果：隨著樣本數(shù)的增加，錯誤率將明顯降低。此外，由圖2(b)可以看到，分類錯誤率并不是一直降低，這是由于Adaboost算法在訓(xùn)練過程中特別容易受到噪聲數(shù)據(jù)和異常數(shù)據(jù)的影響，結(jié)合基本分類器加權(quán)組合的特性，導(dǎo)致迭代過程中錯誤率不是一直降低。

(a)demo數(shù)據(jù)集

(b)heart數(shù)據(jù)集

(c)usps數(shù)據(jù)集圖2 訓(xùn)練集和測試集分類錯誤率變化圖

3 結(jié)語

本文首先通過SMOTE算法采樣對不平衡數(shù)據(jù)集進(jìn)行一個預(yù)處理，然后確定采用單層決策樹作為基本分類器，最后進(jìn)行Matlab編程，構(gòu)建Adaboost算法分類器。得到如下結(jié)論：隨著樣本數(shù)的增大，數(shù)據(jù)集的分類準(zhǔn)確率升高；隨著數(shù)據(jù)集不平衡率的增大，分類準(zhǔn)確率會有所降低，但相較于傳統(tǒng)的單層決策樹算法而言，準(zhǔn)確率有非常明顯的提升，平均分類準(zhǔn)確率在85%以上；隨著迭代次數(shù)的增加，訓(xùn)練集錯誤率總體呈逐漸降低趨勢；通過改變正類樣本的權(quán)值，重視對少類樣本的分類，能夠在一定程度上提高整體的分類效果。