基于AdaBoost-DT算法的电力市场串谋行为识别研究

针对电力市场中购电商串谋的识别方法定性分析居多,实时性不高的问题,文中提出基于AdaBoost-DT算法的串谋行为智能识别方法,将AdaBoost-DT集成分类算法用于串谋识别中,解决了串谋行为难以量化识别的问题。从串谋机理出发,设计了一套基于任意2个购电商之间的串谋识别指标体系。面对数据不均衡问题,采用过采样法对训练数据集进行增广,利用AdaBoost-DT分类算法训练串谋行为智能识别模型。最后,以月度交易数据为支撑进行算例分析,采用接收者操作特性曲线(ROC)和接收者操作特性曲线下的面积(AUC值)评价模型的识别效果。实验结果表明,该串谋行为识别方法的准确率较高且实时性较好,充分验证了算法的有效性。

基于GAN-AdaBoost-DT不平衡分类算法的信用卡欺诈分类

针对传统单个分类器在不平衡数据上分类效果有限的问题,基于对抗生成网络(GAN)和集成学习方法,提出一种新的针对二类不平衡数据集的分类方法——对抗生成网络-自适应增强-决策树(GAN-AdaBoost-DT)算法。首先,利用GAN训练得到生成模型,生成模型生成少数类样本,降低数据的不平衡性;其次,将生成的少数类样本代入自适应增强(AdaBoost)模型框架,更改权重,改进AdaBoost模型,提升以决策树(DT)为基分类器的AdaBoost模型的分类性能。使用受测者工作特征曲线下面积(AUC)作为分类评价指标,在信用卡诈骗数据集上的实验分析表明,该算法与合成少数类样本集成学习相比,准确率提高了4. 5%,受测者工作特征曲线下面积提高了6. 5%;对比改进的合成少数类样本集成学习,准确率提高了4. 9%,AUC值提高了5. 9%;对比随机欠采样集成学习,准确率提高了4. 5%,受测者工作特征曲线下面积提高了5. 4%。在UCI和KEEL的其他数据集上的实验结果表明,该算法在不平衡二分类问题上能提高总体的准确率,优化分类器性能。