基于BLT方法的样本不平衡分类研究

针对样本数量分布不平衡的分类问题,使用分支学习树(BLT)的方法来提升分类精度,并应用于肿瘤免疫亚型分类问题,从而验证其有效性。统计每种免疫亚型的数量,以此建立一棵哈夫曼树,用传统分类器作为分支节点,进行自顶向下逐步分类方式,实现对不平衡数据的准确分类。使用BLT方法后,对比传统分类器分类准确率提升1.5%左右,在误分最严重的类别上,分类性能提升最高可达79%。上述方法可用于提升样本不平衡的分类问题的分类性能,且在样本数量较少的类别上效果尤为明显。