基于改进SMOTE的不平衡数据分类算法

SMOTE算法是处理不平衡数据的一种经典的过采样算法,文中对该算法进行改进。首先采用k-means算法对原始数据进行聚类,利用类判别函数对聚类样本进行筛选,筛选出“安全样本”。然后利用新的过采样率对“安全样本”进行线性插值,并且在插值过程中采用LMKNN方法。分别将该算法与SMOTE、KNSMOTE应用至实际数据中,使用SVM分类算法分类并进行性能对比。结果表明,对Abalone、Ecoli等不平衡数据集分类时,文中使用的算法分类效果最佳,验证了该算法的有效性。

区间删失型协变量下加速失效模型的估计及其应用

对区间删失型协变量进行分析,并假定因变量的观测数据为右删失数据,在此基础上建立模型,进行参数估计,使用加速失效模型来研究失效时间和区间删失型协变量的关系。文中所使用的EM算法,通过一种两步循环迭代的算法去估计参数,并将此算法与之前常用的方法进行模拟比较,并应用到实际数据中进行分析。