典型文献
基于改进SMOTE的制造过程不平衡数据分类策略
文献摘要：
不平衡数据分析是智能制造的关键技术之一,其分类问题已成为机器学习和数据挖掘的研究热点.针对目前不平衡数据过采样策略中人工合成数据边缘化且需要降噪处理的问题,提出一种基于改进SMOTE(synthetic minority oversampling technique)和局部离群因子(local outlier factor,LOF)的过采样算法.首先对整个数据集进行K-means聚类,筛选出高可靠性样本进行改进SMOTE算法过采样,然后采用LOF算法删除误差大的人工合成样本.在4个UCI不平衡数据集上的实验结果表明,该方法对不平衡数据中少数类的分类能力更强,有效地克服了数据边缘化问题,将算法应用于磷酸生产中的不平衡数据,实现了该不平衡数据的准确分类.
文献关键词：
不平衡数据;过采样;局部离群因子;聚类;合成少数过采样技术(SMOTE)
中图分类号：
作者姓名：
黎旭;陈家兑;吴永明;宗文泽
作者机构：
贵州大学 现代制造技术教育部重点实验室,贵阳 550025;贵州大学 机械工程学院,贵阳 550025;贵州大学 公共大数据国家重点实验室,贵阳 550025
文献出处：
引用格式：
[1]黎旭;陈家兑;吴永明;宗文泽-.基于改进SMOTE的制造过程不平衡数据分类策略)[J].计算机工程与应用,2022(16):284-291
A类：
B类：
SMOTE,制造过程,不平衡数据分类,分类策略,分类问题,采样策略,人工合成,合成数据,边缘化,降噪处理,synthetic,minority,oversampling,technique,局部离群因子,local,outlier,LOF,采样算法,means,高可靠性,删除,合成样本,UCI,不平衡数据集,少数类,算法应用,合成少数过采样技术
AB值：
0.386848
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
