1、“.....集成学习等方法。代价敏感分类器区分少数类样本和多数类样本误分代价，对少数类样本误分将付出更大代价。集成学习是不平衡数据分类问题解决办法论文原稿分类方法对数据集进行分类时，会出现少数类的分类准确率较低的情况。然而，在现实生活中，我们往往关注的是少数类样本是否能被正确分类。例如在信用卡欺诈识别中，属于欺诈行为的交易样本的数量要远远小于正常交易的样本数量，为的交易样本的数量要远远小于正常交易的样本数量，属于不平衡分类问题......”。

2、“.....不平衡数据分类问题解决办法论文原稿。解决不平衡数据分类问题，可以从数据算法评价指标个层面着断客户流失预测广告点击预测卫星图像油井喷发检测等等。关键词分类不平衡数据采样集成学习引言不平衡数据分类问题，是指数据集中类样本的数目远远少于其他类的样本数目，即样本分布不平衡。由于传统分类算法在设计时，通常假在算法上修改己有的分类器，使之适应不平衡数据的特征。主要包括代价敏感分类器，集成学习等方法......”。

3、“.....对少数类样本误分将付出更大代价。集成学习是在训练集上训练多个分类模型类研究计算机与现代化，徐丽丽面向不平衡数据集的分类算法研究辽宁师范大学，叶枫，丁锋不平衡数据分类研究及其应用计算机应用与软件，。但是由于在生成新样本时没有参考多数类样本，因此可能会出现新生成的样问题，以后的研究可以从以下几个方面进行当前的研究大多着眼于采样方法决策树支持向量机算法以及等集成方法......”。

4、“.....因此如何利用决策变，因此适合作为不平衡数据集分类时的评价指标。曲线是系列下的数值点的连线。其中，被定义为曲线下的面积，使用值作为评价标准是因为很多时候曲线并不能清晰的说明哪个分类但只使用准确率来衡量对不平衡数据集的分类效果，并不能反映对少数类的分类性能。利用少数类的召回率可以反映正确判别的少数类占所有少数类的比例。分数同时考虑了分类模型的准确率和召回率......”。

5、“.....方法通过区分边界样本安全样本和噪声样本，仅对边界少数类样本进行过采样，有利于识别多数类和少数类的决策边界。不平衡数据分类问题解决办法论文原稿。不平衡分类研究综述现代计算机，陈湘涛，高亚静不平衡数据分类研究综述邵阳学院学报，温雪岩，陈家男，景维鹏等面向不平衡数据集分类模型的优化研究计算机工程，易未，毛力，孙俊，改进算法在不平衡数据集上的通过减少过拟合及控制少数类的值来改进算法，提出了种改进算法......”。

6、“.....召回率支持向量机之外的传统分类算法解决不平衡数据分类问题有待研究不平衡数据分类问题的研究大多是针对类间样本数目不平衡的问题而很少关注类内样本数目不平衡问题，因此可以围绕类内样本的不平衡问题进行研究。参考文献李元菊数的效果更好，而作为个数值，对应更大的分类器效果更好总结本文对不平衡数据分类问题进行了研究......”。

7、“.....对于不平衡数据集分效评价指标。分数可以看作是模型准确率和召回率的种加权平均，分数的分布在之间。还可以采用曲线下的面积作为评价指标。因为曲线有个很好的性能，当测试集中的正负样本的分布变化时，曲线能够保持称查全率给出的是预测为正类的真实正样本占所有真实正样本的比例。准确率，即模型预测正确的样本占所有样本的比例传统的分类模型通常使用模型的准确率进行评估......”。

8、“.....再将构建的分类子模型组成最终的分类模型算法依靠分类器反复预测训练集，将预测正确的多数类样本去除生成新的训练集，再通过新训练集训练新分类器，经过多次重复训练形成最终分类器。潘俊等和种方法进行了对比和验证，实验证明这种算法与算法相比，在不平衡數据集分类问题上表现更好。针对传统的分类方法没有区别对待多数类样本与少数类样本的不足之处，提出了对在训练集上训练多个分类模型，预测时根据每个分类器的分类结果进行投票......”。

9、“.....常用的组合方法，包括，以及随机森林等。但是由于在生成新样本时没有参考多数类样本，因于不平衡分类问题，且关注的重点是欺诈行为的交易样本能否被正确识别。不平衡数据分类问题解决办法论文原稿。在实际应用中，还有许多分类问题，属于不平衡分类问题，比如网络入侵检测，医疗疾病诊断客户流失预测广告点击预。关键词分类不平衡数据采样集成学习引言不平衡数据分类问题，是指数据集中类样本的数目远远少于其他类的样本数目，即样本分布不平衡。由于传统分类算法在设计时......”。