吳藝凡，梁吉業(yè)+，王俊紅

1.山西大學(xué) 計(jì)算機(jī)與信息技術(shù)學(xué)院，太原 030006

2.山西大學(xué) 計(jì)算智能與中文信息處理教育部重點(diǎn)實(shí)驗(yàn)室，太原 030006

1 引言

大數(shù)據(jù)時(shí)代的到來使得基于數(shù)據(jù)的知識(shí)獲取成為可能，促進(jìn)了數(shù)據(jù)密集型科學(xué)的發(fā)展。分類是機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘中重要的信息獲取手段之一，但傳統(tǒng)的分類算法沒有考慮數(shù)據(jù)的平衡性，在非平衡分類問題上仍面臨著巨大挑戰(zhàn)。例如在醫(yī)療診斷[1]、網(wǎng)絡(luò)入侵檢測(cè)[2]等問題中，關(guān)注的事件在所有數(shù)據(jù)記錄中占比都極小，但是將其錯(cuò)誤分類卻會(huì)帶來無法估量的代價(jià)。將數(shù)量占多數(shù)的類稱為多數(shù)類，占少數(shù)的類稱為少數(shù)類，在非平衡數(shù)據(jù)中對(duì)少數(shù)類的正確分類往往比多數(shù)類更有價(jià)值。例如在癌癥檢測(cè)領(lǐng)域中，健康人的數(shù)量遠(yuǎn)大于患病人的數(shù)量，但更注重對(duì)真正患病人的識(shí)別率。因此如何對(duì)非平衡數(shù)據(jù)集進(jìn)行正確分類，提高少數(shù)類的分類精度成為分類問題中的一個(gè)難點(diǎn)[3]。并且多類問題通常可以簡(jiǎn)化為兩類問題來解決，因此非平衡數(shù)據(jù)集分類問題的研究重點(diǎn)也就轉(zhuǎn)化為提高兩類問題中的少數(shù)類的分類性能[4]。

目前，國(guó)內(nèi)外學(xué)者對(duì)非平衡數(shù)據(jù)分類問題的常用策略大致分為算法層面的方法和數(shù)據(jù)層面的方法。算法層面主要有代價(jià)敏感學(xué)習(xí)[5]、集成學(xué)習(xí)[6-7]、特征選擇[8]、單類別學(xué)習(xí)[9]等方法。數(shù)據(jù)層面最常用的方法是數(shù)據(jù)采樣技術(shù)，主要包括三種：過采樣、欠采樣和混合采樣。本文重點(diǎn)關(guān)注數(shù)據(jù)層面的研究進(jìn)展。

過采樣中比較經(jīng)典的算法是Chawla等人[10]提出的 SMOTE（synthetic minority over-sampling technique）算法，其基本思想是：距離較近的少數(shù)類之間的樣本仍然是少數(shù)類，在距離較近的兩個(gè)少數(shù)類樣本之間通過線性插值的方式產(chǎn)生一個(gè)新的少數(shù)類樣本，使得少數(shù)類樣本增加，達(dá)到平衡數(shù)據(jù)集的目的。實(shí)驗(yàn)結(jié)果表明SMOTE算法顯著提高了少數(shù)類的分類精度，但是SMOTE算法是對(duì)所有少數(shù)類樣本盲目地進(jìn)行過采樣，容易生成很多不重要的少數(shù)類樣本。Han等人提出的Borderline-SMOTE[11]算法，認(rèn)為處在邊界上的少數(shù)類更容易被錯(cuò)分，對(duì)分類器的性能起到更重要的作用，因此對(duì)樣本周圍多數(shù)類較多的少數(shù)類樣本用SMOTE過采樣。

欠采樣中較為簡(jiǎn)單的方法是隨機(jī)欠采樣，指隨機(jī)刪掉一些多數(shù)類樣本以平衡數(shù)據(jù)集，該方法操作簡(jiǎn)單，但容易刪去一些有用的多數(shù)類樣本造成信息丟失。Tomeklinks[12]方法認(rèn)為能構(gòu)成Tomeklinks對(duì)的樣本中，某個(gè)樣本可能為噪聲樣本或在兩類樣本的邊界上，將其中的多數(shù)類樣本刪去，從而達(dá)到欠采樣的目的。

使用單一的采樣算法如只使用過采樣容易造成分類器過擬合，只使用欠采樣容易導(dǎo)致樣本信息丟失?；旌喜蓸油瑫r(shí)采用過采樣和欠采樣技術(shù)，在解決上述問題的同時(shí)提高了少數(shù)類的分類精度。傳統(tǒng)的混合采樣中表現(xiàn)較為出色的有SMOTE+Tomek links方法[13]，在使用SMOTE對(duì)少數(shù)類樣本上采樣的同時(shí)，刪除多數(shù)類樣本中的Tomek links對(duì)，還有SMOTE+ENN（edit nearest neighbor）方法等。這些方法都是基于樣本之間的距離的，Song等人[14]提出基于聚類的混合采樣算法（bi-directional sampling based onK-means，BDSK），該算法將SMOTE過采樣算法與基于K-means的欠采樣算法相結(jié)合，在增加少數(shù)類樣本的同時(shí)有效地刪去噪聲樣本。上述混合采樣的方法都是基于距離或者聚類的，沒有考慮到?jīng)Q策邊界對(duì)樣本的影響。Veropoulos等人提出了代價(jià)敏感訓(xùn)練算法[15]，通過賦予錯(cuò)分的正負(fù)類樣本不同的懲罰系數(shù)來降低分類超平面的偏移度，此方法簡(jiǎn)單易行并且具有一定效果。然而，當(dāng)少數(shù)類樣本過分稀疏時(shí)，采用此方法會(huì)因分類超平面過分?jǐn)M合少數(shù)類樣本而影響分類效果。Jian等人[16]提出的基于不同貢獻(xiàn)度的采樣算法（different contribution sampling，DCS），認(rèn)為支持向量是更靠近決策邊界的樣本，貢獻(xiàn)度更高，因此針對(duì)支持向量和非支持向量采用混合采樣方法，即使用SMOTE和隨機(jī)欠采樣技術(shù)來分別對(duì)少數(shù)類樣本中的支持向量和多數(shù)類樣本中的非支持向量進(jìn)行重新采樣。該方法雖然考慮到?jīng)Q策邊界的影響，但沒有考慮到被錯(cuò)分的少數(shù)類樣本更靠近真實(shí)類邊界，對(duì)分類器的性能起到重要作用，并且對(duì)多數(shù)類樣本進(jìn)行隨機(jī)欠采樣有可能會(huì)刪去一些重要的樣本。

為了克服采樣算法的盲目性以及支持向量機(jī)算法（support vector machine，SVM）在處理非平衡數(shù)據(jù)時(shí)分類超平面容易偏向少數(shù)類樣本的問題，本文提出了一種基于SVM分類超平面的混合采樣算法（hybrid sampling algorithm based on SVM，SVM_HS），旨在利用SVM分類超平面找出較為重要的少數(shù)類樣本和不重要的多數(shù)類樣本，對(duì)這些樣本進(jìn)行過采樣和欠采樣，達(dá)到平衡數(shù)據(jù)集的目的。在UCI數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)并與其他重采樣算法進(jìn)行比較，實(shí)驗(yàn)結(jié)果顯示SVM_HS算法的F-value和G-mean值均有較大提高，在處理非平衡數(shù)據(jù)分類問題上具有一定優(yōu)勢(shì)。

2 相關(guān)工作

本文算法是基于SVM分類超平面的混合采樣算法，因此首先將從SVM算法思想和超平面偏移問題以及混合采樣中用到的采樣算法兩方面進(jìn)行介紹。

2.1 SVM算法

20世紀(jì)90年代Vapnik提出了SVM支持向量機(jī)算法[17]，以結(jié)構(gòu)風(fēng)險(xiǎn)最小化為原則，同時(shí)考慮到置信范圍和經(jīng)驗(yàn)風(fēng)險(xiǎn)，克服了分類器過學(xué)習(xí)、高維數(shù)、非線性和局部極值點(diǎn)等一系列問題。目前在機(jī)器學(xué)習(xí)領(lǐng)域中成為一個(gè)新的研究熱點(diǎn)。

SVM的基本原理是尋找一個(gè)最優(yōu)分類超平面，使得該超平面在保證分類精度的同時(shí)能夠使超平面兩側(cè)的空白區(qū)域最大化。設(shè)訓(xùn)練樣本集為T={(xi，yi)，i=1，2，…，l}，xi∈Rm，yi∈{-1，1}，超平面記作ωT?φ(x)+b=0，求解最優(yōu)分類超平面可轉(zhuǎn)化為二次優(yōu)化問題：

約束條件為：

其中，ξi為松弛因子，C＞0為誤分樣本的懲罰系數(shù)。用Lagrange乘子法可獲得式（2）的對(duì)偶問題：

約束條件為：

其中，αi為L(zhǎng)agrange乘子。設(shè)k(xi，xj)為核函數(shù)，它對(duì)應(yīng)非線性映射φ。那么SVM訓(xùn)練出來的分類判別式為：

但在利用SVM算法進(jìn)行分類時(shí)，是建立在正負(fù)類數(shù)據(jù)樣本數(shù)量大致持平的情況下，當(dāng)樣本數(shù)量不平衡時(shí)，分類超平面會(huì)偏向少數(shù)類。下面分別通過兩組實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析驗(yàn)證，兩組數(shù)據(jù)樣本正負(fù)比分別為1∶1和1∶10，其他參數(shù)包括高斯核寬度為10，懲罰系數(shù)C為100，實(shí)驗(yàn)結(jié)果分別如圖1和圖2所示。

Fig.1 Hyperplane of balanced dataset圖1 平衡數(shù)據(jù)集的分類超平面

可以發(fā)現(xiàn)，當(dāng)數(shù)據(jù)平衡時(shí)，SVM分類超平面完美地位于正負(fù)樣本中間，當(dāng)正負(fù)樣本出現(xiàn)嚴(yán)重失衡時(shí)，分類器的分類性能就會(huì)下降，為了使超平面兩側(cè)的空白區(qū)域最大化且獲得較高的分類精度，分類超平面會(huì)偏向少數(shù)類。因此為了使超平面向真實(shí)類邊界靠近，需要改變非平衡數(shù)據(jù)集的分布情況。

Fig.2 Hyperplane of unbalanced dataset圖2 非平衡數(shù)據(jù)集的分類超平面

2.2 SMOTE算法

SMOTE算法基本思想是：在距離較近的兩個(gè)少數(shù)類樣本之間通過線性插值的方式產(chǎn)生一個(gè)新的少數(shù)類樣本，使得少數(shù)類樣本增加，達(dá)到平衡數(shù)據(jù)集的目的。整體算法如算法1所示。

算法1SMOTE算法

3 基于混合采樣的非平衡數(shù)據(jù)分類算法

從相關(guān)研究中可以知道[15-17]，傳統(tǒng)的SVM算法對(duì)非平衡數(shù)據(jù)集進(jìn)行分類時(shí)，訓(xùn)練所得的分類超平面會(huì)偏向少數(shù)類，被錯(cuò)分的少數(shù)類比分對(duì)的更靠近真實(shí)類邊界，對(duì)分類器的性能起到更重要的作用，因此對(duì)這些樣本進(jìn)行過采樣；而對(duì)于多數(shù)類來說，離分類超平面越遠(yuǎn)，則對(duì)分類性能的影響越小，因此對(duì)離超平面較遠(yuǎn)的多數(shù)類樣本進(jìn)行欠采樣，進(jìn)而使SVM分類超平面向著真實(shí)類邊界方向偏移。

3.1 SVM_HS算法基本思想

給定一個(gè)樣本集，使用該集合訓(xùn)練出一個(gè)SVM分類器，被錯(cuò)誤分類的少數(shù)類樣本更為重要，是要進(jìn)行過采樣的集合對(duì)象；離分類超平面較遠(yuǎn)的多數(shù)類樣本相較于離超平面近的多數(shù)類樣本更為不重要，是要進(jìn)行欠采樣的集合對(duì)象。

設(shè)初始訓(xùn)練樣本集合為T，T=P?Q，其中P表示少數(shù)類樣本集合，Q表示多數(shù)類樣本集合。利用SVM對(duì)集合T進(jìn)行訓(xùn)練得到分類器為：

分類超平面為：

利用分類超平面可將少數(shù)類集合分為分對(duì)的集合P1和分錯(cuò)的集合P2。P2即為要進(jìn)行過采樣的對(duì)象，即：

對(duì)于集合Q，根據(jù)公式：

計(jì)算出所有多數(shù)類樣本點(diǎn)到超平面的距離r，然后根據(jù)采樣率得到較遠(yuǎn)的多數(shù)類樣本即為集合Q′。

在算法中，找到集合P2和集合Q′后，直接刪掉集合Q′，然后對(duì)集合P2使用SMOTE算法迭代進(jìn)行合成，將每次合成的新樣本加入到訓(xùn)練集中，在每次迭代后測(cè)試分類器的分類性能并使用G-mean值進(jìn)行比較，當(dāng)G-mean開始減小時(shí)，迭代結(jié)束，即得到優(yōu)化后的分類器。根據(jù)算法思想可以看出，訓(xùn)練集將逐漸趨于平衡，使得SVM分類超平面慢慢向真實(shí)類邊界方向偏移直至最靠近真實(shí)類邊界。

3.2 迭代停止準(zhǔn)則

將一個(gè)原始數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集，測(cè)試集不進(jìn)行任何操作，設(shè)訓(xùn)練集為T，集合T將訓(xùn)練SVM分類器并對(duì)T進(jìn)行混合采樣，重復(fù)此步驟。假設(shè)第t次迭代后得到的訓(xùn)練集合為X，使用集合X訓(xùn)練出新的分類器h(x)后，再使用集合X測(cè)試分類器h(x)，并使用非平衡問題中常用的評(píng)價(jià)標(biāo)準(zhǔn)幾何平均正確率G-mean值評(píng)價(jià)分類器的性能，若G-mean值逐漸增加，則說明所訓(xùn)練出的分類器性能變好，迭代繼續(xù)；若G-mean值減小，則結(jié)束迭代，選擇當(dāng)前訓(xùn)練出的分類器作為最優(yōu)分類器。

3.3 SVM_HS算法描述

SVM_HS的整體算法如算法2所示。

算法2SVM_HS算法

4 實(shí)驗(yàn)過程及結(jié)果分析

4.1 評(píng)價(jià)標(biāo)準(zhǔn)

對(duì)于分類問題，一般使用分類精度作為標(biāo)準(zhǔn)來評(píng)價(jià)一個(gè)分類器的性能。但對(duì)于非平衡數(shù)據(jù)來說，由于傳統(tǒng)的分類算法更傾向于多數(shù)類樣本，僅僅使用準(zhǔn)確率評(píng)價(jià)非平衡數(shù)據(jù)分類算法是不合適的，反映不出對(duì)少數(shù)類樣本的分類性能。因此，非平衡數(shù)據(jù)的評(píng)價(jià)標(biāo)準(zhǔn)也是數(shù)據(jù)挖掘領(lǐng)域中一項(xiàng)重要的研究?jī)?nèi)容。目前常用的評(píng)價(jià)標(biāo)準(zhǔn)主要有F-value、G-mean等。

在二分類問題中，常用的混淆矩陣[18-19]如表1所示。其中，TP表示少數(shù)類樣本被正確分類的數(shù)量，F(xiàn)N表示少數(shù)類樣本被錯(cuò)誤分類的數(shù)量，TN表示多數(shù)類樣本被正確分類的數(shù)量，F(xiàn)P表示多數(shù)類樣本被錯(cuò)誤分類的數(shù)量[20]。

Table 1 Confusion matrix of 2-class problem表1 二分類問題中的混淆矩陣

由此可以得到：

（1）分類準(zhǔn)確率

（2）查準(zhǔn)率

（3）查全率

（4）少數(shù)類的F-value[21]

式中，β是調(diào)整查準(zhǔn)率和查全率所占比重的參數(shù)，通常取β=1。

（5）幾何平均正確率G-mean[22]

本文選用accuracy、F-value、G-mean作為評(píng)價(jià)算法性能的標(biāo)準(zhǔn)。

4.2 數(shù)據(jù)集描述

為了評(píng)價(jià)本文提出的SVM_HS算法的有效性并與同類方法進(jìn)行對(duì)比，選用標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)UCI中的8組非平衡數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)和分析，選擇了不同平衡程度、不同樣本數(shù)量、不同領(lǐng)域的數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，使得數(shù)據(jù)集更具代表性。由于UCI中二類不平衡數(shù)據(jù)集較少，這里可以將部分?jǐn)?shù)據(jù)集中的某些類別合并，形成二類不平衡數(shù)據(jù)集，例如，Segment數(shù)據(jù)集包含2 310個(gè)樣本，共有7個(gè)類別，可以將其中的第五類“window”作為少數(shù)類，而其余的所有類別進(jìn)行合并形成多數(shù)類，這樣就可以形成一個(gè)二類的不平衡數(shù)據(jù)集。通過此方式，對(duì)UCI中的部分其他數(shù)據(jù)集也進(jìn)行類似的修改，從而形成了需要的數(shù)據(jù)集。修改后的數(shù)據(jù)集詳細(xì)信息描述如表2所示。

Table 2 Experimental datasets description表2 實(shí)驗(yàn)數(shù)據(jù)集描述

4.3 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析

本實(shí)驗(yàn)采用十折交叉驗(yàn)證方法，使用Matlab作為仿真環(huán)境并將LIBSVM工具箱作為實(shí)現(xiàn)工具。

在SVM_HS算法中，需要輸入訓(xùn)練樣本集合T和每次迭代的采樣率δ，即少數(shù)類增加的百分比和多數(shù)類減少的百分比。由于需要迭代使得分類超平面逐漸趨于真實(shí)類邊界，因此每次采樣的樣本個(gè)數(shù)不宜太多，但為了排除人工的方法，為實(shí)驗(yàn)設(shè)置恰當(dāng)?shù)牟蓸勇剩疚倪x取了幾個(gè)采樣率的值即10%、20%、30%、40%進(jìn)行了實(shí)驗(yàn)，使用3個(gè)數(shù)據(jù)集進(jìn)行測(cè)試，并利用非平衡分類問題中的一般性評(píng)價(jià)標(biāo)準(zhǔn)F-value、G-mean進(jìn)行評(píng)估。如表3和表4所示，可以看出，當(dāng)采樣率為20%時(shí)F-value和G-mean的值普遍較高，因此本文將選取20%作為每次迭代實(shí)驗(yàn)中的采樣率。

Table 3 F-value at different sampling rates表3 不同采樣率下的F-value

Table 4 G-mean at different sampling rates表4 不同采樣率下的G-mean

采樣率確定后，將本文算法SVM_HS與SVM算法、SMOTE+SVM算法和Borderline_SMOTE+SVM算法進(jìn)行比較，并對(duì)accuracy、F-value、G-mean等評(píng)價(jià)指標(biāo)進(jìn)行分析。算法參數(shù)設(shè)置如下：支持向量機(jī)分類器選擇高斯核函數(shù)，核寬度為10，懲罰因子C為1 000，算法中SMOTE最近鄰參數(shù)k選取為6，采樣率為20%。實(shí)驗(yàn)結(jié)果如表5所示。

Table 5 Accuracy,F-value,G-mean表5 分類準(zhǔn)確率、F-value、G-mean

在表5中，相比較傳統(tǒng)的SVM算法，本文算法的準(zhǔn)確率在多數(shù)數(shù)據(jù)集上只有小幅度的提高，且在個(gè)別數(shù)據(jù)集上有所降低。這說明在提高少數(shù)類的分類準(zhǔn)確率的同時(shí)多數(shù)類的分類準(zhǔn)確率可能會(huì)減小，但與兩種改進(jìn)的算法相比，本文的準(zhǔn)確率都有明顯提高。相比于準(zhǔn)確率，F(xiàn)-value和G-mean更能作為非平衡數(shù)據(jù)整體分類性能的評(píng)價(jià)指標(biāo)，往往能夠指示一個(gè)方法在非平衡數(shù)據(jù)集的分類性能好壞。表5顯示出，SVM_HS算法明顯優(yōu)于SMOTE+SVM算法和Borderline_SMOTE+SVM算法，在數(shù)據(jù)集上得到了較好的實(shí)驗(yàn)結(jié)果，有效提高了少數(shù)類和多數(shù)類的分類精度，說明本文算法有一定的優(yōu)勢(shì)和可行性。

為了對(duì)比算法的優(yōu)勢(shì)，圖3～圖5分別繪制了4種算法在8個(gè)數(shù)據(jù)集上的測(cè)試結(jié)果趨勢(shì)曲線。其中，橫坐標(biāo)為4種算法策略，縱坐標(biāo)為實(shí)驗(yàn)取值范圍。通過這3個(gè)圖可以看出，使用SVM_HS方法進(jìn)行混合采樣，少數(shù)類的分類性能有所上升。

實(shí)驗(yàn)結(jié)果表明本文算法在少數(shù)類的數(shù)量有明顯劣勢(shì)的情況下，分類效果有較大的提高，能夠顯著提高少數(shù)類的分類精度，并具有良好的適應(yīng)性。

Fig.3 Variation curve of precision圖3 準(zhǔn)確率變化曲線圖

Fig.4 Variation curve of F-value圖4 F-value變化曲線圖

Fig.5 Variation curve of G-mean圖5 G-mean變化曲線圖

5 結(jié)束語

本文針對(duì)SVM算法在處理非平衡數(shù)據(jù)時(shí)分類超平面容易偏向少數(shù)類樣本的問題進(jìn)行研究。首先利用SVM算法得到分類超平面；然后迭代進(jìn)行混合采樣，主要包括刪除離分類超平面較遠(yuǎn)的多數(shù)類樣本和對(duì)靠近真實(shí)類邊界的少數(shù)類樣本用SMOTE算法過采樣兩部分；使分類超平面逐漸靠近真實(shí)類邊界。本文算法通過在數(shù)據(jù)層面的改進(jìn)，少數(shù)類的分類精度得到顯著提高。然而，本文僅在數(shù)據(jù)層面進(jìn)行了改進(jìn)，如何在算法層面進(jìn)行改進(jìn)，將是未來重點(diǎn)研究方向。