周迪豪，宋 燕

（上海理工大学 光电信息与计算机工程学院，上海 200093）

0 引 言

分类问题是模式识别等众多计算机领域的一个重要分支。分类问题往往存在类别不平衡现象。在不平衡情况下，若又存在信息缺失现象，则分类器性能会受到巨大影响［1］。在现实世界中，由于受数据复杂性及测量设备局限性等影响，数据不平衡和数据缺失现象普遍存在。在二类不平衡数据集中，样本较少的类称为少类，样本较多的类称为多类，若直接对数据集进行分类，则少类样本容易被忽略，而多类样本会被过度关注，从而导致分类器向多类倾斜［2］。而少类样本通常包含有重要信息，例如在诊断样本中，少类样本的误分类可能会造成严重的危害［3］。因此，解决缺失数据的不平衡问题就显得尤为重要。

通常，处理不平衡类的方法主要有两种：基于模型（算法）方法和基于数据方法［4］。基于模型方法，如cost-sensitive boosting算法［5］考虑了错误分类的代价，而非类与类之间的关系。然而，当发生类别分布重叠时，模型的性能可能会大大下降［6］。基于数据方法的主要目标，是利用采样技术调整样本数，从而达到类别平衡。采样方法大致可分为欠采样和过采样［7］。前者是删除多类中多余的样本，而后者则是为少类合成新样本。Tomek links［8］是最具代表性的欠采样算法，它可以消除在类边界附近的噪声样本。然而，由于样本的删除，欠采样可能导致数据集关键信息的丢失。相反，通过合成新的少类样本来平衡类别规模，过采样方法得以保留大部分数据集信息［3］。……