分类是一种有标签的机器学习,属于监督学习中的一种,在分类中经常会遇到类别不平衡的数据集。类别不平衡导致分类结果会偏向于多数类,对少数类的识别精度不高。现实中的数据集通常包含被错误标记的标签,这种包含错误标签的样本被称为标签噪声。标签噪声会造成决策边界偏移,降低模型的预测性能,增加模型的复杂程度。当不平衡数据集中存在标签噪声时,会给分类器造成较大的负面影响。采样是一种解决类别不平衡的方式,它通过增加少数类样本的数量或减少多数类样本数量来平衡数据集类别比例,但是通常也会增加噪声样本或丢失数据信息。本文针对带标签噪声的不平衡数据集分类问题,主要进行了如下两个方面的工作:1.当面对带标签噪声的不平衡数据时,现有的采样方法通常有一定局限性,因此本文首次将粒球运用于过采样,提出了一种不限于任何特定数据集、特定分类器和特定场景的通用采样算法,称为粒球过采样。粒球可以拟合数据集的分布,过滤标签噪声和离群样本,通过不断地划分粒球,来拟合数据集的决策边界,离群样本位于粒球之外。计算每个粒球的纯度,噪声样本所在的粒球纯度较低,通过在粒球内部过采样以平衡数据集。实验表明,在不平衡高噪声数据集中,粒球过采样的抗噪性更好。2.本文提出了一个通用的加权过采样算法,通过计算每个少数类样本的近邻样本中多数类的数量以分配每个少数类样本的权重,精确指定每个合成样本的插值位置,使合成样本更接近安全和干净的样本,远离危险样本。危险样本指近邻样本中带有异类样本。这样能大概率地减少新样本中标签噪声样本的数量,这个通用的加权算法可以与多种过采样算法结合。实验表明,不同的过采样算法结合本算法后的性能都优于原始的过采样算法。