[发明专利]基于Stacking和翻转随机降采样分类方法、系统、介质及设备

权利要求书

1.一种基于Stacking和翻转随机降采样分类方法，其特征在于，包括：

获取原始训练集，将所述原始训练集划分为数目大于等于两个的不同的训练子集；

为每一所述训练子集建立数目大于等于两个的不同的组件分类器；

将每个所述组件分类器的输出作为特征进行训练，生成集成分类器；

获取测试样本，根据每一所述组件分类器依次分类测试样本得组件分类结果，以所述组件分类结果为特征组成一新测试样本，以所述集成分类器分类所述新测试样本得最终分类结果。

2.根据权利要求1所述的方法，其特征在于，所述获取原始训练集，所述将所述原始训练集划分为数目大于等于两个的不同的训练子集具体包括：

接收所述原始训练集D；

将所述原始训练集D分为多数类样本集合A和少数类样本集合B；

初始化已抽样次数i及降采样次数k；

判断所述已抽样次数i是否小于所述降采样次数k；

若是，则不放回地循环抽取所述多数类样本集合A中的多数类样本，其中每次抽取所述多数类样本的个数n为n＝ceil(|B|²/|A|)；

以n个所述多数类样本与所有的少数类样本构成一训练子集D_i；

若否，则结束划分所述原始训练集。

3.根据权利要求2所述的方法，其特征在于，所述为每一所述训练子集建立数目大于等于两个的不同的组件分类器具体包括：

初始化有序集合C；

判断是否已获取k个所述训练子集D_i；

若是，则训练每一所述训练子集D_i得到m个不同的所述组件分类器，循环训练k个所述训练子集D_i；

若否，则结束所述组件分类器训练；

将所述组件分类器依次放入所述有序集合C中，其中所述有序集合C的样本数目|C|＝c，c＝m×k；

获取校验集V；

根据每一所述组件分类器对所述校验集V中的校验样本进行分类得校验分类结果；

将所述校验分类结果作为特征生成新数据集D′。

4.根据权利要求3所述的方法，其特征在于，所述将每个所述组件分类器的输出作为特征进行训练，生成集成分类器具体包括：

获取所述组件分类器和所述新数据集D′；

以m种验证算法分别对所述新数据集D′进行m次十折交叉验证；

记录m种所述算法在十折交叉验证中得到m的AUC值；

比较m个AUC值得最大AUC值，得最大AUC值算法；

设定所述最大AUC值算法对应的所述组件分类器为所述集成分类器。

5.根据权利要求1所述的方法，其特征在于，所述获取测试样本，根据每一所述组件分类器依次分类测试样本得组件分类结果，以所述组件分类结果为特征组成一新测试样本，以所述集成分类器分类所述新测试样本得最终分类结果具体包括：

获得测试样本x、包含所有所述组件分类器的集合C和所述集成分类器；

以所述集合C中的每一所述组件分类器依次对所述测试样本x进行分类得所述组件分类结果；

将所有所述组件分类结果依次作为特征组成样本集T；

根据所述集成分类器对所述样本集T分类得所述最终分类结果；

输出所述最终分类结果。

6.一种基于Stacking和翻转随机降采样分类系统，其特征在于，包括：数据处理模块、组件分类器训练模块、集成分类器训练模块和判断模块；

所述数据处理模块，用于获取原始训练集，将所述原始训练集划分为数目大于等于两个的不同的训练子集；

所述组件分类器训练模块，用于为每一所述训练子集建立数目大于等于两个的不同的组件分类器；

所述集成分类器训练模块，用于将每个所述组件分类器的输出作为特征进行训练，生成集成分类器；

所述判断模块，用于获取测试样本，根据每一所述组件分类器依次分类测试样本得组件分类结果，以所述组件分类结果为特征组成一新测试样本，以所述集成分类器分类所述新测试样本得最终分类结果。