[发明专利]一种基于单边动态下采样的不平衡数据分类系统

权利要求书

1.一种基于单边动态下采样的不平衡数据分类系统，其特征在于：具体步骤是：

1）、系统根据不平衡数据的规模来确定所采用网络的结构，随机初始化各层网络神经 元权值;

2）、系统采用梯度下降法来优化网络模型，设置梯度下降法学习率、充量因子和最大迭 代次数；在第一轮迭代中，使用所有样本来计算总梯度，再使用总梯度来更新各层权值，并 根据样本的判别距离来选择作为下一轮迭代的训练样本；重复使用上一轮选好的训练样本 来计算总梯度、更新各层权值、并选择下一轮迭代的样本直到达到最大迭代次数再停止；

3）、使用所得到的分类模型对未知样本进行分类。

2.根据权利要求1所述的基于单边动态下采样的不平衡数据分类系统，其特征在于：所 述的不平衡数据集规模包括不平衡数据集的样本数、数据集的不平衡率、数据集样本的维 度；所述的不平衡数据集指的是数据集的不平衡率高于1.5的数据集，其中不平衡率指的是 负类样本数比上正类样本数；所述的网络机构包括网络层数和每层神经元节点个数；所述 的神经元权值指的是各层神经元节点相互连接的权值。

3.根据权利要求1所述的基于单边动态下采样的不平衡数据分类系统，其特征在于：所 述的采用梯度下降法来迭代优化网络模型指的是对网络目标函数进行求负梯度；然后，根 据所求的负梯度，对各层神经元节点权值进行跟新。

4.根据权利要求1所述的基于单边动态下采样的不平衡数据分类系统，其特征在于：所 述的单边指的是对训练集中负类样本根据样本的判别距离进行下采样；所述的判别距离指 的是样本的网络输出值与理论判别值得距离。

5.根据权利要求1所述的基于单边动态下采样的不平衡数据分类系统，其特征在于：所 述的动态样本选择包括在每一步迭代之后，根据样本的判别距离对负类样本进行筛选，并 将所有正类样本加入到新的训练集中。

6.根据权利要求1所述的基于单边动态下采样的不平衡数据分类系统，其特征在于：所 述的对未知样本进行分类预测包括根据所得网络权值求出未知样本的网络输出，根据网络 输出与理论判别值进行比较，确定其所述类别。