董 璇，蔡立军（西北工业大学 理学院，陕西 西安710129）

非均衡数据集的分类问题是模式识别和机器学习的研究热点。所谓非均衡数据集是指数据集合中，某些类的数据样本较多，而其他类数据样本较少[1]。样本较少的为少数类，样本较多的为多数类。非均衡数据集分类问题可应用于风险管理、网络入侵检测、银行预测、医疗诊断等领域。例如，医生疾病诊断中错将癌症病人诊断为正常人，损失会很大。这种情况下少数类样本却是人们更加关注的。针对该特点，传统的分类算法不再适用，有必要寻求好的分类方法使其在类别不均衡条件下，提高对少数类的识别率。

目前，解决非均衡数据集分类问题主要通过两种途径：算法层面方法和数据层面方法。算法层面方法主要是对已有分类算法进行改进或提出新的算法，如李亚军等[2]提出的改进的Adaboost算法与SVM的组合分类器。数据层面的解决办法有欠抽样方法，随机去掉部分多数类样本使不同类别样本数量均衡，此方法缺点是丢失了多数类的一些重要信息，造成分类性能降低。改进的欠抽样方法有托梅克联系对（Tomek Link）[3]方法、压缩最近邻法（CNN）[4]。简单的过抽样方法随机复制少数类样本的缺点是易导致过学习。Chawla等[5]提出了SMOTE（Synthetic Minority Over-sampling Technique）方法，人工合成少数类样本，但是生成样本范围受到极大限制。本文提出了S-SMO-Boost方法，利用Adaboost提升算法，每次迭代不仅仅增大错分样本权值，还从迭代过程中抽取错分少数类样本，并对该部分样本进行过抽样，过抽样过程采用SMOTE的改进方法——空间插值法，增强对错分少数类样本的训练，以训练出一个强分类器，提高分类性能。……