苏加强 丁柳云

(1.宁德职业技术学院计算机系，福建 宁德 355000;2.宁德职业技术学院教务处，福建 宁德 355000)

1 背景

R是一个有着统计分析功能及强大制图功能的软件系统，是由奥克兰大学统计学系的Ross Ihaka和Robert Gentleman共同创立的。该软件属于GNU系统的一个自由、免费、源代码开放的软件，用于统计计算和统计制图。R以包的形式内建多种统计学及数字分析功能，透过安装套件Packages增强。KDnuggets曾调查了实际项目使用了哪些数据挖掘软件，底层语言使用频率最高的依旧是 R语言、SQL、Java和Python。而从软件工具角度上看，R、Excel和RapidMiner则名列三甲。

传统的分类实验中，都假定学习的数据集为分布平衡的，即数据集中各类样本的数目大体一致。但是在现实情况中平衡数据集几乎是不存在的。在真实世界中，通常标号不同的类所含有的样本数目是不等的，甚至有着很大的差别，这样的数据集为不平衡数据集。

在不平衡数据集的分类学习过程中，少数类样本被误分的几率通常要高于多数类。现实应用中，少数类样本通常比多数类样本重要，故少数类被误分所带来的损失相对较大。因此，对不平衡数据分类的研究就致力于提高数据集中少数类的识别效率，以减少少数类被错分所带来的损失。

2 数据挖掘任务和所用数据

一些公司售货员要报告商品的交易情况，公司需检测售货员所提交的交易情况报表中的异常值，目的是检查售货员所提交的交易报表中的异常现象，给出一种异常概率排序，该排序可以让公司以优化的方法应用于检查工作。……