论文研究 基于改进SMOTE的非平衡数据集分类研究.pdf

针对SMOTE（Synthetic Minority Over-sampling Technique）在合成少数类新样本时存在的不足，提出了一种改进的SMOTE算法（SSMOTE）。该算法的关键是将支持度概念和轮盘赌选择技术引入到SMOTE中，并充分利用了异类近邻的分布信息，实现了对少数类样本合成质量和数量的精细控制。将SSMOTE与KNN（K-Nearest Neighbor）算法结合来处理不平衡数据集的分类问题。通过在UCI数据集上与其他重要文献中的相关算法进行的大量对比实验表明，SSMOTE在新样本的整体合成效果上表现出色，有效提高了KNN在非平衡数据集上的分类性能。