合成少数类过采样过滤器方法在二手车推荐中的应用

由于二手车推荐的数据集具有非平衡特性,因此,二手车推荐可视为非平衡分类问题,可借助解决非平衡分类问题的方法来实现二手车推荐。本文对非平衡数据分类的数据集重构进行研究,通过分析合成少数类过采样方法(Synthetic Minority Over-sampling Technique,SMOTE)的特点与不足,提出合成少数类过采样过滤器方法 (Synthetic Minority Oversampling Technique Filter,Smote Filter),对SMOTE方法合成样本进行过滤,减少合成样本中的噪声数据,提高训练样本"质量"。使用支持向量机对SMOTE合成的数据和Smote Filter合成的数据进行实验对比,结果表明Smote Filter方法相较传统的SMOTE过采样方法,提高了二手车推荐中少数类的预测精度,提升了对二手车推荐的整体预测性能。