董宏成，文志云,3，万玉辉 ，晏飞扬

(1.重庆邮电大学通信与信息工程学院，重庆 400065；2.重庆邮电大学通信新技术应用研究中心，重庆 400065；3.重庆信科设计有限公司，重庆 401121)

1 引言

不平衡分类问题在医学诊断[1]、机器故障检测[2]、软件缺陷预测[3]和计算机视觉[4]等领域得到了广泛的应用。与类不平衡学习相关的问题是，标准方法通常将大多数正类样本错误地归类为负类样本。对于以上应用来说，少数类样本的检测更加重要，因此如何更加准确地检测出这类稀有样本已经成为当前机器学习研究者面临的挑战之一[5]。

近年来，针对类不平衡学习问题涌现出了大量的研究，研究人员也给出了很多解决方法，这些方法概括起来可以分为3类：(1)改进训练数据集的不平衡分布(数据层面上的方法)，例如采用上采样方法、下釆样方法和混合采样等对原始数据集进行处理，目的是使类分布更加平衡；(2)改进经典算法(算法层面方法)：对当前比较成熟的分类器算法，采用优化参数、对各类样本赋予不同的错分代价[6]、设计面向不平衡数据集的新算法等手段。例如，基于代价敏感的支持向量机[7]和极限学习机ELM(Extreme Learning Machine)[8 - 12];(3)结合数据层面和算法层面的方法：首先采用合适的采样方法对数据集进行平衡处理得到多个平衡数据集，然后再训练相应的分类器进行集成学习，例如DPBag(Density Peaks Bagging)算法[13]。

极限学习机ELM在分类问题上已经成为世界各国研究人员的研究热点。研究人员大量的实践表明，ELM对于不平衡数据分类问题具有较强的优越性，其改进思想主要包括与采样技术的结合和对自身算法的改进2方面。……