一种改进欠采样的不平衡数据集成学习算法

类别不平衡的分类问题在现实中广泛存在,大多数传统分类算法的分类结果偏向于多数类,效果不佳。为了提高少数类样本的识别精度,文章提出了一种基于 Bootstrap 融合 XG Boost 的 Balance Cascade 改进算法。该算法通过 Bootstrap 对少数类样本进行采样,重新构造训练子集,以增加基分类器间训练的差异性,并使用XG Boost 作为训练的基分类器,降低模型的偏差和方差,提高分类性能。将该方法用于公开的不平衡数据集上进行测试,结果表明,所提的算法显著提升了分类效果。