论文部分内容阅读
针对高斯混合模型能有效表征任意空间分布信息的优势,提出一种基于变分贝叶斯高斯混合模型的不均衡数据集的自适应采样处理,以获得相对均衡的数据集用于分类模型学习.首先使用最优化的变分贝叶斯高斯混合模型获得少数类样本的内部空间分布结构,然后基于样本的分布特性自适应生成少数类样本,最后利用Tomek-link对采样后的数据集进行清洗.提出的方法能在实现样本均衡化的同时,维持多数类与少数类样本空间分布特征信息.通过对多个不均衡数据集进行验证性和对比性实验,表明所提方法能有效提升传统分类器对于不均衡数据的分类精度.