赵冬雪，王 昕，王利东

（大连海事大学理学院，大连116026）

引 言

类失衡是现实生活中普遍存在的问题，正确识别少数类样本可以获取重要的信息。例如，银行欺诈行为预测（发生欺诈情况远小于正常交易的情况），医疗系统中识别癌症病变（癌变细胞相对于正常细胞的数量极少），工厂机器系统的异常检测（绝大多数时间运转是正常的，极少数时间是非正常的）等均涉及不平衡数据的处理。特别是在大数据背景下，数据比例严重失衡，给生产、生活实践带来巨大挑战。

分类任务中的数据不平衡问题［1］体现在样本类别分布呈偏斜状态，即数据集中一个或多个类（多数类）的样本数量远远超过其他类别（少数类）。而多种经典分类算法是以准确率为主要衡量指标，会侧重多数类的正确率而忽略识别少数类的重要价值，从而难以获得理想的分类结果。因此，数据不平衡问题引起了研究者的关注，并且提出了多种处理方法［2⁃4］。总体来看，解决方案主要采取数据预处理和新算法设计，如数据重采样技术和集成学习等技术。

重采样技术［5］旨在调整各类别间的不平衡率，常用的重采样技术有随机欠采样、SMOTE过采样［6］等。随机欠采样通过降低多数类样本数量达到平衡的目的，但会导致多数类样本信息的丢失；SMOTE过采样通过少数类样本生成新样本，使不平衡数据在一定程度上达到平衡状态，但不足之处在于盲目地扩充少数类容易模糊决策边界。因此许多研……