数据分类方法

计算机科学２００８Ｖｏ１．３５Ｎｏ．１１　

基于类权重的模糊不平衡数据分类方法　

薛贞霞　张素玲。　刘三阳　

（西安电子科技大学应用数学系　西安７１００７１）　（河南科技大学数学系　洛阳４７１０Ｏ３）　

（焦作大学基础部　焦作４５４００３）。　

摘要针对现有分类算法通常对不平衡数据挖掘表现出有偏性，即正类样本（通常是更重要的一类）的分类和预测　性能差于负类样本的分类和预测性能，提出一种不平衡数据分类方法。该方法通过一个超球面将两类数据以最大分　

离比率分离，并且引入类权重因子和样本模糊隶属度，同时考虑了不同类的重要性和不同样本对该类的不同贡献，从　而提高了不平衡数据中正类的分类和预测的性能以及整体的推广能力。分别在人造数据和ＵＣＩ真实数据上进行了　

实验，结果验证了该方法的有效性。　

关键词不平衡数据，类加权，模糊隶属度，分类算法　

Ｗｅｉｇｈｔｅｄ—ｃｌａｓｓ　Ｂａｓｅｄ　Ｆｕｚｚｙ　Ｃｌａｓｓｉｆｉｃａｔｉｏｎ　Ｍｅｔｈｏｄ　ｆｏｒ　Ｃｌａｓｓ－ｉｍｂａｌａｎｃｅｄ　Ｄａｔａ　

ＸＵＥ　Ｚｈｅｎ－ｘｉａ　・　ＺＨＡＮＧ　Ｓｕ－ｌｉｎｇ３　ＬＩＵ　Ｓａｎ－ｙａｎｇ　（Ｄｅｐａｒｔｍｅｎｔ　ｏｆ　Ａｐｐｌｉｅｄ　Ｍａｔｈｅｍａｔｉｃｓ，Ｘｉｄｉａｎ　Ｕｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ　７１００７１，Ｃｈｉｎａ）　（Ｄｅｐａｒｔｍｅｎｔ　ｏｆ　Ｍａｔｈｅｍａｔｉｃｓ，Ｈｅｎａｎ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ　Ｕｎｉｖｅｒｓｉｔｙ，Ｌｕｏｙａｎｇ　４７１００３，Ｃｈｉｎａ）２　（Ｄｅｐａｒｔｍｅｎｔ　ｏｆ　Ｂａｓｉｃ　Ｃｏｕｒｓｅ，Ｊｉａｏｚｕｏ　Ｕｎｉｖｅｒｓｉｔｙ，Ｊｉａｏｚｕｏ　４５４００３，Ｃｈｉｎａ）。　

Ａ￣ｔｍｃｔ　Ｕｓｉｎｇ　ｄａｔａ　ｓｅｔｓ　ｔｈａｔ　ｃｏｎｔａｉｎ　ｖｅｒｙ　ｆｅｗ　ｉｎｓｔａｎｃｅｓ　ｏｆ　ｔｈｅ　ｐｏｓｉｔｉｖｅ　ｃｌａｓｓ　ｕｓｕａｌｌｙ　ｐｒｏｄｕｃｅｓ　ｂｉａｓｅｄ　ｃｌａｓｓｉｆｉｅｒｓ　ａｎｄ　

第３４卷第３期　２００８年６月　兰州理工大学学报　Ｊｏｕｒｎａｌ　ｏｆ　Ｌａｎｚｈｏｕ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ　Ｖｏ１．３４　Ｎｏ．３　Ｊｕｎ　２００８　文章编号：１６７３—５１９６（２００８）０３—００８７～０４　

一种不平衡数据的分类方法　

李永新　（平顶山学院数学系，河南平顶山４６７０００）　摘要：针对一个球的模式分类（ＳＳＰＣ）方法没有考虑样本分布不平衡的问题，提出一种不平衡数据的分类方法．该　方法引入类权重因子和样本权重因子，通过一个超球面将两类数据以最大分离比率分离，从而提高不平衡数据对　正类分类和预测的性能．实验结果表明，该方法可以有效提高不平衡数据的分类性能．　关键词：不平衡数据；权重因子；超球面；分类算法　中图分类号：ＴＰ１８１　文献标识码：Ａ　Ａ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｍｅｔｈｏｄ　ｆｏｒ　ｃｌａｓｓ－ｕｎｂａｌａｎｃｅｄ　ｄａｔａ　ＬＩ　Ｙｏｎｇ—ｘｉｎ　（Ｄｅｐａｒｔｍｅｎｔ　ｏｆ　Ｍａｔｈｅｍａｔｉｃｓ，Ｐｉｎｇｄｉｎｇｓｈａｎ　Ｕｎｉｖｅｒｓｉｔｙ，Ｐｉｎｇｄｉｎｇｓｈａｎ　４６７０００，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｆｏｒ　ｔｈｅ　ｐｒｏｂｌｅｍ　ｏｆ　ｕｎｂａｌａｎｃｅｄ　ｄａｔａ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｗａｓ　ｎｏｔ　ｄｉｓｃｕｓｓｅｄ　ｉｎ　ｔｈｅ　ｐａｔｔｅｒｎ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｖｉａ　ｓｉｎｇｌｅ　ｓｐｈｅｒｅｓ（ＳＳＰＣ），ａ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｍｅｔｈｏｄ　ｆｏｒ　ｉｍｂａｌａｎｃｅ　ｐｒｏｂｌｅｍ　ｗａｓ　ｐｒｏｐｏｓｅｄ．Ｗｅｉｇｈｔｅｄ—ｃｌａｓｓ　ｆａｃｔｏｒｓ　ａｎｄ　ｗｅｉｇｈｔｅｄ—ｓａｍｐｌｅ　ｆａｃｔｏｒｓ　ｗｅｒｅ　ｉｎｔｒｏｄｕｃｅｄ　ｉｎｔｏ　ｔｈｉｓ　ｍｅｔｈｏｄ．Ｂｙ　ｕｓｉｎｇ　ａｎ　ｕｌｔｒａｓｐｈｅｒｉｃ　ｓｕｒｆａｃｅ，　ｔｈｅ　ｂｏｔｈ　ｃｌａｓｓｅｓ　ｏｆ　ｄａｔａ　ｗｅｒｅ　ｓｅｐａｒａｔｅｄ　ｗｉｔｈ　ａ　ｍａｘｉｍｕｍ　ｓｅｐａｒａｔｉｏｎ　ｒａｔｉｏ，ＳＯ　ｔｈａｔ　ｔｈｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ａｎｄ　ｐｒｅ—　ｄｉｃｔｉｏｎ　ａｃｃｕｒａｃｙ　ｏｆ　ｔｈｅ　ｐｏｓｉｔｉｖｅ－ｃｌａｓｓ　ｓａｍｐｌｅ　ｗａｓ　ｉｍｐｒｏｖｅｄ．Ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔｓ　ｓｈｏｗｅｄ　ｔｈａｔ　ｔｈｉｓ　ｍｅｔｈｏｄ　ｃｏｕｌｄ　ｅｆｆｅｃｔｉｖｅｌｙ　ｅｎｈａｎｃｅ　ｔｈｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｐｅｒｆｏｒｍａｎｃｅ　ｗｉｔｈ　ｔｈｅ　ｕｎｂａｌａｎｃｅｄ　ｄａｔａ　ｓｅｔｓ．　Ｋｅｙ　ｗｏｒｄｓ：ｕｎｂａｌａｎｃｅｄ　ｄａｔａ　ｓｅｔ；ｗｅｉｇｈｔｉｎｇ　ｆａｃｔｏｒ；ｕｌｔｒａｓｐｈｅｒｉｃａｌ　ｓｕｒｆａｃｅ；ｃｌａｓｓｉ　ｆｉｃａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　

Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用　２００８，４４（３４）　３５　

多关系数据分类方法综述　

彭　珍　２，杨炳儒１，李冬艳２，侯伟１，宁顶利１　

ＰＥＮＧ　Ｚｈｅｎ１，２，ＹＡＮＧ　Ｂｉｎｇ－ｒｕ　，ＬＩ　Ｄｏｎｇ－ｙａｎ　，ＨＯＵ　Ｗｅｉ　，ＳＯＮＧ　Ｄｉｎｇ－ｌｉ　

１．北京科技大学信息工程学院知识工程研究所，北京１０００８３　２．华北科技学院计算机系，北京１０１６０１　

１．Ｓｃｈｏｏｌ　ｏｆ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｂｅｉｊｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ｂｅｉｊｉｎｇ　１０００８３，Ｃｈｉｎａ　

２．Ｄｅｐａｒｔｍｅｎｔ　ｏｆ　Ｃｏｍｐｕｔｅｒ，Ｎｏｒｔｈ　Ｃｈｉｎａ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ｂｅｉｊｉｎｇ　１０１６０１，Ｃｈｉｎａ　Ｅ－ｍａｉｌ：ｙｘ——ｄｐｚｃ＠ｙａｈｏｏ．ｃｏｍ．ａｎ　

ＰＥＮＧ　Ｚｈｅｎ，ＹＡＮＧ　Ｂｉｎｇ－ｒｕ，ＬＩ　Ｄｏｎｇ－ｙａｈ．ｅｔ　ａ１．Ｒｅｖｉｅｗ　ｏｆ　ｍｕｌｔｉ－ｒｅｌａｔｉｏｎａｌ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ａｐｐｒｏａｃｈｅｓ．Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒ－　ｉｎｇ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎｓ，２００８，４４（３４）：３５－３９．　

Ａｂｓｔｒａｃｔ：Ａｓ　ａｎ　ｉｍｐｏｒｔａｎｔ　ｔａｓｋ　ｏｆ　ｍｕｌｔｉ—ｒｅｌａｔｉｏｎａｌ　ｄａｔａ　ｍｉｎｉｎｇ・ｍｕｌｔｉ—ｒｅｌａｔｉｏｎａｌ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｃａｎ　ｄｉｒｅｃｔｌｙ　１ｏｏｋ　ｆｏｒ　ｐａｔｔｅｒｎｓ　ｔｈａｔ　

ｉｎｖｏｌｖｅ　ｍｕｌｔｉｐｌｅ　ｒｅｌａｔｉｏｎｓ　ｆｒｏｍ　ａ　ｒｅｌａｔｉｏｎａｌ　ｄａｔａｂａｓｅ　ａｎｄ　ｈａｖｅ　ｍｏｒｅ　ａｄｖａｎｔａｇｅｓ　ｔｈａｎ　ｐｒｏｐｏｓｉｔｉｏｎａｌ　ｄａｔａ　ｍｉｎｉｎｇ　ａｐｐｒｏａｃｈｅｓ．Ａｃｃｏｒｄ－　

在开展对数据的各种分析应用之前，如果在数据仓库的基础上再开展一些数据标签的

工作，提前做一些准备工作，那么后续对数据应用的设计开发将更加深入、更加便利，

也更容易快速交付。

整个数据中台的系统规划如

下图所示。从这里可以看到，

数据标签介于数据仓库与数据集市之间，在数据仓库之上，是为数据集市做的准备工

作。

数据标签在数据中台中的位置

如果以数据标签为基础再开展各种数据分析与应用，那么对数据的分析利用将更加深

入与便捷，这就是数据标签的作用。

01 什么是数据标签？

标签由标签和标签值组成，打在目标对象上，如下图所示。

打标签示例

标签由互联网领域逐步推广到其他领域，打标签的对象也由用户、产品等扩展到渠道

、营销活动等。

在互联网领域，标签有助于实现精准营销、定向推送、提升用户差异化体验等

；

在行业领域，标签更多助力于战略分级、智能搜索、优化运营、精准营销、优

化服务、智慧经营等。

02 数据标签的分类

对数据打标签，可以由浅入深地分为以下三种类型。

1）属性标签

，就是对业务实体各种属性的真实刻画。比如企业类型、所处行业、经营范围、所处

地域等信息，用户性别、年龄段、职业状况、身高体重等信息，发票类别、代开发票、

作废发票、异常发票等信息。

这些标签可以从某些字段直接获得，也可以通过某些字段进行一个条件判断获得。

2）统计标签

，就是对业务实体从某个维度的度量进行的汇总，比如企业的月经营业绩、月增长额 、季增长额、前n名的客户或供应商的交易额等。

通过这些统计可以真实地反映该企业的经营状况。

3）算法标签

，就是通过某些算法推理得到的特性。算法标签相对比较复杂，但非常有用。它既可

以设计得简单易行，如企业的行业地位、交易成功率、客户开拓能力、客户忠诚度、企

业成长度等。

也可以运用一些数据挖掘算法进行推算，如通过用户近期的购买商品推算该用户的性

别、职业、兴趣喜好、购物习惯，以及是否怀孕、是否有小孩等信息，以便日后的精准