论文部分内容阅读
现实世界中广泛存在着类别分布不均衡的数据，而传统分类算法在数据失衡的情况下分类效果很不理想，为此提出一种基于决策准则优化的组合分类算法．该算法基于朴素贝叶斯模型输出的后验概率，以不均衡数据评价指标作为目标函数．对决策阈值（二类）或错分代价参数（多类）进行优化，得到最佳的分类决策准则；同时为了提高分类的泛化性，提出一种自适应随机子空间组合分类算法，增强基分类器之间的差异性，避免分类器学习和决策准则优化的过拟合，并可自动获得基分类器的最佳数量．通过大量UCI数据集的实验验证表明，与其它同类算法相比，该算法在精