[发明专利]基于深度学习的不平衡数据的均衡采样及建模方法

摘要

一种基于深度学习的不平衡数据的均衡采样及建模方法：取出数据集中多数类和少数类样本集合，并分别计数；对多数类样集合本进行多次K‑Means聚类，得到R个聚类结果；采用基于关联矩阵的聚类融合算法，将R个聚类结果进行聚类融合，得到新的多数类样集合；对少数类样本集合进行过采样，得到新的少数类样本集合；将得到的新的多数类样集合和新的少数类样本集合相组合，形成类别平衡的新数据集；抽取类别平衡的新数据集的抽象特征，将抽象特征作为一个新的特征加入到类别平衡的新数据集的特征集中，形成新的特征集；采用得到的新的特征集训练DBN模型，得到最优DBN模型。本发明避免了单一处理方法中的缺点，有更好的处理能力，并且有较好的准确率。

主权项

1.一种基于深度学习的不平衡数据的均衡采样及建模方法，其特征在于，包括如下步骤：1)取出数据集中多数类和少数类样本集合，并分别计数；2)对多数类样集合本进行多次K‑Means聚类，当最小聚类误差不再变小或者达到指定的迭代次数，停止迭代，此时得到R个聚类结果；3)采用基于关联矩阵的聚类融合算法，将R个聚类结果进行聚类融合，得到新的多数类样集合；4)对少数类样本集合采用smote算法进行过采样，得到新的少数类样本集合；5)将得到的新的多数类样集合和新的少数类样本集合相组合，形成类别平衡的新数据集；6)采用Autoencoder方法抽取类别平衡的新数据集的抽象特征，将抽象特征作为一个新的特征加入到类别平衡的新数据集的特征集中，形成新的特征集；7)采用得到的新的特征集训练DBN模型，得到最优DBN模型。