• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    一種基于SMOTE的不均衡樣本KNN分類方法*

    2020-08-02 06:34:06林泳昌朱曉姝
    廣西科學(xué) 2020年3期
    關(guān)鍵詞:查全率邏輯分類

    林泳昌, 朱曉姝

    (玉林師范學(xué)院計(jì)算機(jī)科學(xué)與工程學(xué)院,廣西玉林 537000)

    0 引言

    K近鄰(K-nearest Neighbor,KNN)方法由Cover和Hart于1968年提出,使用節(jié)點(diǎn)的鄰居節(jié)點(diǎn)信息構(gòu)建最近鄰圖來做分類,是機(jī)器學(xué)習(xí)中常用、簡(jiǎn)單、易實(shí)現(xiàn)的二分類方法。當(dāng)前,很多數(shù)據(jù)集具有不均衡性,比如信用卡欺詐、用戶違約預(yù)測(cè)數(shù)據(jù)集等。這導(dǎo)致KNN方法面臨一個(gè)挑戰(zhàn):當(dāng)數(shù)據(jù)樣本不均衡時(shí),KNN方法的預(yù)測(cè)結(jié)果會(huì)偏向于樣本數(shù)占優(yōu)類。為了提高KNN方法的運(yùn)行效率、分類效果等性能,很多學(xué)者對(duì)KNN方法進(jìn)行了優(yōu)化。比如沈焱萍等[1]提出基于元優(yōu)化的KNN方法。王軼凡[2]提出數(shù)據(jù)時(shí)效性的高效KNN方法。王志華等[3]提出基于改進(jìn)K-modes聚類的KNN方法。張萬楨等[4]提出環(huán)形過濾器的K值自適應(yīng)KNN方法。余鷹等[5]使用變精度粗糙集上下近似概念,增強(qiáng)了KNN方法的魯棒性。樊存佳等[6]采用改進(jìn)的K-Medoids聚類方法裁剪對(duì)KNN分類貢獻(xiàn)小的訓(xùn)練樣本,提高KNN的分類精度。羅賢鋒等[7]使用K-Medoids方法對(duì)文本訓(xùn)練集進(jìn)行聚類,解決了傳統(tǒng)KNN方法在文本訓(xùn)練集過大時(shí)存在速度慢的問題。針對(duì)不均衡數(shù)據(jù)集,KNN方法預(yù)測(cè)結(jié)果會(huì)偏向于樣本數(shù)占優(yōu)類的問題,本文將Synthetic Minority Oversampling Technique(SMOTE)[8]和邏輯回歸引入KNN方法中,提出了一種基于SMOTE的KNN不均衡樣本分類優(yōu)化方法(A Modified KNN Algorithm based on SMOTE for Classification Imbalanced Data,KSID)。使用SMOTE改進(jìn)邏輯回歸方法或改進(jìn)KNN方法,雖然可以提高不均衡數(shù)據(jù)集的查全率,但也會(huì)很明顯地降低模型查準(zhǔn)率;特別是在大數(shù)據(jù)集上,使用SMOTE會(huì)大大增加KNN方法的時(shí)間復(fù)雜度。因此,本文先使用SMOTE對(duì)訓(xùn)練集做上采樣,并使用訓(xùn)練過的邏輯回歸對(duì)該均衡的訓(xùn)練集預(yù)測(cè)分類,再利用SMOTE和KNN對(duì)預(yù)測(cè)為正樣本的數(shù)據(jù)集做上采樣并預(yù)測(cè)分類,從而訓(xùn)練得到新的KNN模型,以有效地解決SMOTE會(huì)降低模型查準(zhǔn)率和增加時(shí)間復(fù)雜度的問題。

    1 材料與方法

    1.1 邏輯回歸

    邏輯回歸通過構(gòu)建損失函數(shù),并進(jìn)行優(yōu)化,迭代,求解出最優(yōu)的模型參數(shù),最后得到邏輯回歸分類模型。其方法如下[9]:

    步驟1:隨機(jī)初始化W和b,利用公式(1)計(jì)算預(yù)測(cè)標(biāo)簽。

    Z=WTX+b,

    (1)

    其中,Z為預(yù)測(cè)結(jié)果,W為權(quán)重矩陣,X為特征矩陣,b為偏移量。

    步驟2:利用公式(2)計(jì)算模型的損失函數(shù)。

    (2)

    其中,m為樣本數(shù),a(i)為樣本i的真實(shí)標(biāo)簽,y(i)為樣本i的預(yù)測(cè)標(biāo)簽。

    步驟3:利用公式(3)(4)計(jì)算W、b的梯度并更新。

    (3)

    (4)

    其中,α為學(xué)習(xí)率。

    步驟4:迭代步驟1到步驟3,直到最小化損失函數(shù)J(a,b)。

    1.2 KNN方法

    KNN是一個(gè)簡(jiǎn)單而經(jīng)典的機(jī)器學(xué)習(xí)分類方法,通過度量待分類樣本和已知類別樣本之間的距離(一般使用歐氏距離),對(duì)樣本進(jìn)行分類。其方法如下[10]:

    步驟1:根據(jù)公式(5)計(jì)算樣本點(diǎn)到所有樣本點(diǎn)的歐氏距離(d)。

    (5)

    步驟2:根據(jù)歐式距離的大小對(duì)樣本進(jìn)行排序(一般是升序)。

    步驟3:選取前K個(gè)距離最近的鄰居樣本點(diǎn)。

    步驟4:統(tǒng)計(jì)K個(gè)最近的鄰居樣本點(diǎn)分別屬于每個(gè)類別的個(gè)數(shù)。

    步驟5:將K個(gè)鄰居樣本點(diǎn)里出現(xiàn)頻率最高的類別,作為該樣本點(diǎn)的預(yù)測(cè)類別。

    可以看出,當(dāng)數(shù)據(jù)樣本不均衡時(shí),KNN方法預(yù)測(cè)結(jié)果會(huì)偏向于樣本數(shù)占優(yōu)類。

    1.3 SMOTE

    SMOTE是常用于樣本不均衡數(shù)據(jù)集的采樣方法[8]。其思路是通過合成一些少數(shù)類樣本,增加少數(shù)類樣本個(gè)數(shù),使得樣本均衡。SMOTE的生成策略:對(duì)于每個(gè)少數(shù)類樣本x,從它的最近鄰樣本中隨機(jī)選一個(gè)樣本y,然后在x、y屬性的歐氏距離之間隨機(jī)合成新的少數(shù)類樣本,其工作原理如圖1所示。

    圖1 SMOTE工作原理Fig.1 Working principle of the SMOTE method

    SMOTE的步驟如下[8]:

    步驟1:在少數(shù)樣本集中,對(duì)于少數(shù)類的樣本x,利用公式(5)計(jì)算x到其他所有樣本的歐氏距離,得到K個(gè)最近鄰點(diǎn)。

    步驟2:通過設(shè)置采樣比例,得到采樣倍率N,并對(duì)每一個(gè)少數(shù)類樣本x,從其K近鄰中隨機(jī)選取近鄰樣本y。

    步驟3:對(duì)于近鄰樣本y和樣本x,通過計(jì)算公式(6),構(gòu)建新樣本。

    L=x+rand(0,1)×x-y,

    (6)

    其中,x表示少數(shù)樣本,y表示x的最近鄰樣本。

    1.4 KSID方法

    將SMOTE和邏輯回歸引入KNN方法中,提出了一種基于SMOTE的KNN不均衡樣本分類優(yōu)化方法(KSID)。針對(duì)數(shù)據(jù)樣本不均衡對(duì)KNN二分類器分類效果影響的問題,使用SMOTE進(jìn)行采樣,增加少數(shù)樣本的數(shù)量,并消除數(shù)據(jù)樣本不均衡對(duì)KNN分類效果的影響。KSID方法描述如下:

    步驟1:使用SMOTE將不均衡訓(xùn)練集均衡化。將不均衡數(shù)據(jù)集按照一定的比例劃分為訓(xùn)練集和測(cè)試集。使用SMOTE對(duì)訓(xùn)練集中的每個(gè)少數(shù)樣本,計(jì)算其與其他少數(shù)樣本的歐氏距離,得到K個(gè)近鄰樣本點(diǎn)。通過設(shè)置采樣比例,隨機(jī)選取少數(shù)類樣本,對(duì)每一個(gè)選出的少數(shù)類樣本,利用公式(6)構(gòu)建新樣本,一直迭代到訓(xùn)練集的正負(fù)樣本均衡終止。

    步驟2:構(gòu)建邏輯回歸模型。將經(jīng)過步驟1采樣后的訓(xùn)練集放入邏輯回歸模型,訓(xùn)練其正則化懲罰項(xiàng)、學(xué)習(xí)率等參數(shù)。并使用訓(xùn)練好的邏輯回歸模型,對(duì)訓(xùn)練集進(jìn)行預(yù)測(cè)。

    步驟3:生成KNN模型的訓(xùn)練集并利用SMOTE均衡化。將步驟2中預(yù)測(cè)為正樣本的數(shù)據(jù)集,作為KNN模型的訓(xùn)練集,并使用SMOTE進(jìn)行采樣,使得訓(xùn)練集的正負(fù)樣本均衡。

    步驟4:構(gòu)建KNN模型。使用步驟3輸出的訓(xùn)練集,訓(xùn)練KNN模型的參數(shù)K,并得到模型結(jié)果。

    步驟5:預(yù)測(cè)測(cè)試集標(biāo)簽。把測(cè)試集放入步驟2構(gòu)建的邏輯回歸模型預(yù)測(cè),將預(yù)測(cè)為正樣本的數(shù)據(jù)放入步驟4構(gòu)建的KNN模型預(yù)測(cè),并得到預(yù)測(cè)結(jié)果;最后將KNN模型預(yù)測(cè)標(biāo)簽與邏輯回歸模型預(yù)測(cè)為負(fù)樣本的標(biāo)簽合并,得到測(cè)試集的預(yù)測(cè)標(biāo)簽。

    算法1給出了KSID算法的形式描述。

    算法1:KSID算法

    Begin

    輸入:訓(xùn)練數(shù)據(jù)x_train,訓(xùn)練標(biāo)簽y_train,近鄰數(shù)K,倍率N

    輸出:新樣本類別y_pred

    0:將x_train、y_train、K、N傳入SMOTE得到數(shù)據(jù)集newdata

    1:將newdata傳入邏輯回歸方法得到預(yù)測(cè)結(jié)果y_pred

    2:y_true=-y_train[y_pred==1]

    3:x_true=-x_trian[:,y_pred==1]

    4:將x_true、y_true、K、N傳入SMOTE得到數(shù)據(jù)集newdata1

    5:將newdata1傳入邏輯回歸方法得到預(yù)測(cè)結(jié)果y_true_pred

    6:y_pred[y_pred==0].append(y_true_pred) #合并結(jié)果

    7:輸出結(jié)果y_pred

    End

    KSID方法雖然將訓(xùn)練集通過SMOTE采樣,可以消除數(shù)據(jù)不均衡性,但是SMOTE對(duì)訓(xùn)練集均衡化后,產(chǎn)生合成的正樣本影響分類性能。針對(duì)這個(gè)問題,將邏輯回歸預(yù)測(cè)的正樣本,繼續(xù)使用KNN進(jìn)行預(yù)測(cè),進(jìn)而提高分類性能。且KSID方法先使用邏輯回歸模型預(yù)測(cè)出大量正確的負(fù)樣本,再使用KNN預(yù)測(cè)少量的正樣本,可以有效降低模型計(jì)算復(fù)雜度,減少模型計(jì)算時(shí)間。

    1.5 實(shí)驗(yàn)數(shù)據(jù)來源

    本文實(shí)驗(yàn)數(shù)據(jù)集為信用卡欺詐數(shù)據(jù)集、員工離職數(shù)據(jù)集、企業(yè)誠(chéng)信數(shù)據(jù)集、廣告點(diǎn)擊預(yù)測(cè)數(shù)據(jù)集、用戶違約數(shù)據(jù)集、疝氣病癥預(yù)測(cè)病馬是否死亡數(shù)據(jù)集,前5個(gè)數(shù)據(jù)集均來源于DC競(jìng)賽網(wǎng)(https://www.dcjingsai.com/),第6個(gè)數(shù)據(jù)集來源于百度百科網(wǎng)。數(shù)據(jù)集的具體描述如表1所示,其中樣本不均衡率計(jì)算公式如下[11]:

    表1 實(shí)驗(yàn)數(shù)據(jù)集Table 1 List of the data sets

    (7)

    1.6 實(shí)驗(yàn)環(huán)境

    使用notebook編譯軟件、Python 3.6語(yǔ)言編程,分別使用sklearn里的KNN方法、邏輯回歸方法和imblearn包中的SMOTE。計(jì)算機(jī)硬件配置為8 GB內(nèi)存、64位操作系統(tǒng)、i5-6300HQ處理器。

    1.7 實(shí)驗(yàn)參數(shù)設(shè)置

    訓(xùn)練集和測(cè)試集劃分比例為7∶3,隨機(jī)種子設(shè)置為0;邏輯回歸設(shè)置fit_intercep為True;SMOTE中的K取值為5,SMOTE采樣倍率設(shè)置為5;支持向量機(jī)(SVM)決策樹方法[12]最大深度設(shè)置為4;邏輯回歸模型和KNN模型都使用3折交叉驗(yàn)證。

    1.8 實(shí)驗(yàn)方案設(shè)計(jì)

    將本文提出的KSID方法分別與邏輯回歸方法、KNN方法、SVM決策樹方法相比較?;?個(gè)數(shù)據(jù)集分別測(cè)試這4種方法的準(zhǔn)確率、精確度、查全率、F1值、運(yùn)行時(shí)間等性能指標(biāo),并分析實(shí)驗(yàn)結(jié)果。

    當(dāng)前PPD發(fā)病率正逐年增加,臨床上主要表現(xiàn)有悲傷、落淚、情緒不穩(wěn)定、睡眠障礙等。臨床上往往需要針對(duì)患病的神經(jīng)衰弱、抑郁癥及神經(jīng)官能癥等進(jìn)行對(duì)癥治療,但是后期效果不佳,雖然新的抗抑郁藥物不斷出現(xiàn),但是多數(shù)價(jià)格昂貴,且存在較多不良反應(yīng),哺乳期婦女服用這類藥物可能會(huì)有損嬰兒健康,因此,PPD的治療成為業(yè)界人士研究的重點(diǎn)課題之一。

    2 結(jié)果與分析

    2.1 評(píng)價(jià)指標(biāo)

    在機(jī)器學(xué)習(xí)的分類方法中,常常使用準(zhǔn)確率來衡量模型的分類效果。但對(duì)于不均衡數(shù)據(jù)集,還需要使用查全率、查準(zhǔn)率、F1值等指標(biāo)評(píng)價(jià)模型性能。這4種評(píng)價(jià)指標(biāo)都是基于表2的正負(fù)樣本混淆矩陣。

    表2 混淆矩陣Table 2 Confusion matrix of samples

    其中TP和TN分別表示正確分類的正類和負(fù)類的樣本數(shù)量;FN和FP分別表示錯(cuò)誤分類的正類和負(fù)類的樣本數(shù)量。

    1)準(zhǔn)確率(Accuracy)

    準(zhǔn)確率是衡量模型的總體分類效果的指標(biāo),準(zhǔn)確率越高模型分類效果越好[13]:

    (8)

    2)精確率(Precision)

    精確率是模型預(yù)測(cè)的正樣本在真實(shí)正樣本中所占的比例[11]:

    (9)

    3)查全率(Recall)

    (10)

    4)F1值(F1 score)

    F1值是精確率和查全率的調(diào)和值,其結(jié)果更接近兩者較小的值[11]:

    (11)

    2.2 準(zhǔn)確率測(cè)試實(shí)驗(yàn)

    對(duì)6個(gè)數(shù)據(jù)集進(jìn)行準(zhǔn)確率測(cè)試。從表3的測(cè)試結(jié)果可以看出,KSID方法在6個(gè)數(shù)據(jù)集上準(zhǔn)確率的均值基本大于其他3種方法,即KSID的分類性優(yōu)于其他3種方法,特別是員工離職數(shù)據(jù)集,比KNN方法提高了4.2%。這是因?yàn)镵SID使用邏輯回歸進(jìn)行第一次分類,再使用KNN對(duì)第一次分類預(yù)測(cè)為正樣本的數(shù)據(jù)進(jìn)行第二次分類,進(jìn)而提高了模型的準(zhǔn)確率。但對(duì)于樣本量和特征維度較大的廣告點(diǎn)擊數(shù)據(jù)集,KSID方法使用SMOTE采樣產(chǎn)生較多的偽樣本,影響模型對(duì)原始樣本的分類準(zhǔn)確率,使得KSID方法的分類準(zhǔn)確率低于SVM決策樹方法。

    表3 準(zhǔn)確率測(cè)試結(jié)果Table 3 Results of accuracy test results

    2.3 精確率測(cè)試實(shí)驗(yàn)

    對(duì)6個(gè)數(shù)據(jù)集進(jìn)行精確率測(cè)試,其測(cè)試結(jié)果如表4所示。

    表4 精確率測(cè)試結(jié)果Table 4 Results of precision test results

    從表4可以看出,KSID方法在6個(gè)數(shù)據(jù)集上精確率的均值基本大于其他3種方法,即KSID模型對(duì)正樣本預(yù)測(cè)更準(zhǔn)確,如信用卡欺詐數(shù)據(jù)比KNN方法提升了21%、員工離職數(shù)據(jù)比KNN方法提高了24.4%等。這是因?yàn)镵SID使用KNN模型對(duì)正樣本進(jìn)行二次分類,進(jìn)而提高了模型的精確率。但對(duì)于企業(yè)誠(chéng)信和廣告點(diǎn)擊等數(shù)據(jù)集,由于KSID使用邏輯回歸進(jìn)行第一次分類,而邏輯回歸無法識(shí)別正樣本(其精確率為0),影響了模型的分類精確率,使得KSID方法的分類精確率低于SVM決策樹方法。

    2.4 查全率測(cè)試實(shí)驗(yàn)

    對(duì)6個(gè)數(shù)據(jù)集進(jìn)行查全率測(cè)試,從表5的測(cè)試結(jié)果可以看出,KSID方法在6個(gè)數(shù)據(jù)集上查全率的均值基本大于其他3種方法,即KSID模型對(duì)正樣本的召回?cái)?shù)量更多,如在信用卡欺詐數(shù)據(jù)集中,KSID模型的查全率比邏輯回歸模型高23.8%、比KNN模型高13.6%等。這是因?yàn)镵SID使用SMOTE將不均衡數(shù)據(jù)集均衡化,改進(jìn)KNN方法對(duì)不均衡數(shù)據(jù)集分類偏向的缺點(diǎn),進(jìn)而提高了模型的查全率。但對(duì)于員工離職和廣告點(diǎn)擊等數(shù)據(jù)集,由于KSID使用KNN對(duì)正樣本進(jìn)行二次分類,而KNN對(duì)正樣本查全率不高,影響了模型的分類查全率,使得KSID方法的分類查全率低于邏輯回歸和SVM決策樹方法。

    表5 查全率測(cè)試結(jié)果Table 5 Resules of recall test results

    2.5 F1 值測(cè)試實(shí)驗(yàn)

    對(duì)6種數(shù)據(jù)集進(jìn)行F1值測(cè)試,從表6的測(cè)試結(jié)果可以看出,KSID方法在6個(gè)數(shù)據(jù)集上F1值的均值基本大于其他3種方法,如用戶違約數(shù)據(jù)集KSID模型的F1值比邏輯回歸模型高6.4%、比KNN模型高18.3%、比SVM決策樹模型高28.2%等。但對(duì)于廣告點(diǎn)擊數(shù)據(jù)集,由于KSID使用邏輯回歸和KNN進(jìn)行第一、第二次分類,而KNN和邏輯回歸對(duì)正樣本識(shí)別率不高(其F1值較低),導(dǎo)致影響了模型的分類F1值,使得KSID方法的分類F1值低于SVM決策樹方法。

    表6 F1值的測(cè)試結(jié)果Table 6 Resules of F1 score test results

    2.6 運(yùn)行時(shí)間測(cè)試實(shí)驗(yàn)

    對(duì)6種數(shù)據(jù)集進(jìn)行運(yùn)行時(shí)間測(cè)試,從表7的測(cè)試結(jié)果可以看出,對(duì)于小數(shù)據(jù)集,KNN方法的運(yùn)行時(shí)間小,但對(duì)于大數(shù)據(jù)集(比如用卡欺詐數(shù)據(jù)集),KSID方法時(shí)間復(fù)雜度明顯比KNN方法小得多,如信用卡欺詐數(shù)據(jù)集KSID運(yùn)行時(shí)間比KNN快266.545 s等。這是因?yàn)镵SID方法先使用邏輯回歸方法預(yù)測(cè)了量大的負(fù)樣本,再使用KNN方法預(yù)測(cè)量少的正樣本,進(jìn)而降低了方法時(shí)間復(fù)雜度。此外,邏輯回歸方法總的運(yùn)行時(shí)間最少,但它在4個(gè)預(yù)測(cè)性能指標(biāo)上都是最低。KSID既能獲得最好的預(yù)測(cè)性能,也能極大地降低運(yùn)行時(shí)間。

    表7 運(yùn)行時(shí)間測(cè)試結(jié)果Table 7 Run time of test results

    3 結(jié)論

    針對(duì)KNN方法對(duì)樣本不均衡數(shù)據(jù)集的預(yù)測(cè)偏差問題,本文通過使用SOMTE方法對(duì)少數(shù)樣本類的訓(xùn)練集進(jìn)行采樣操作,使得訓(xùn)練集的正負(fù)樣本數(shù)量保持基本一致,從而改善了不均衡數(shù)據(jù)對(duì)KNN模型預(yù)測(cè)性能的影響。對(duì)比實(shí)驗(yàn)結(jié)果發(fā)現(xiàn),基于SMOTE改進(jìn)后的KSID方法,比邏輯回歸方法、原始KNN方法、SVM決策樹方法的分類效果更優(yōu),對(duì)于較大數(shù)據(jù)集其時(shí)間復(fù)雜度更小。但對(duì)于樣本量和特征維度較大的數(shù)據(jù)集(如廣告點(diǎn)擊數(shù)據(jù)集),KSID方法使用SMOTE采樣會(huì)產(chǎn)生較多的偽樣本,導(dǎo)致影響了模型對(duì)原始樣本的分類性能,使得KSID方法的分類性能低于SVM決策樹方法。

    猜你喜歡
    查全率邏輯分類
    刑事印證證明準(zhǔn)確達(dá)成的邏輯反思
    法律方法(2022年2期)2022-10-20 06:44:24
    邏輯
    創(chuàng)新的邏輯
    分類算一算
    分類討論求坐標(biāo)
    海量圖書館檔案信息的快速檢索方法
    數(shù)據(jù)分析中的分類討論
    基于詞嵌入語(yǔ)義的精準(zhǔn)檢索式構(gòu)建方法
    女人買買買的神邏輯
    37°女人(2017年11期)2017-11-14 20:27:40
    教你一招:數(shù)的分類
    真实男女啪啪啪动态图| 蜜桃久久精品国产亚洲av| 国产成人精品一,二区| 一个人观看的视频www高清免费观看| 国产在线男女| 别揉我奶头 嗯啊视频| 国产v大片淫在线免费观看| 亚洲va在线va天堂va国产| 在线观看美女被高潮喷水网站| 成人国产av品久久久| 国产黄片美女视频| 成年女人在线观看亚洲视频 | 中文欧美无线码| 久久鲁丝午夜福利片| 国产精品一区二区三区四区免费观看| 国产老妇女一区| 亚洲第一区二区三区不卡| 夫妻性生交免费视频一级片| 国产精品av视频在线免费观看| 亚洲精品日韩av片在线观看| 日韩精品有码人妻一区| 大话2 男鬼变身卡| 欧美日韩精品成人综合77777| 欧美另类一区| 最近2019中文字幕mv第一页| 久久久精品免费免费高清| 精品国产一区二区三区久久久樱花 | 新久久久久国产一级毛片| 亚洲在久久综合| 亚洲精品视频女| 国产一区亚洲一区在线观看| 春色校园在线视频观看| 在线观看一区二区三区激情| 永久网站在线| 欧美精品国产亚洲| 熟女人妻精品中文字幕| 亚洲人成网站在线观看播放| 亚洲激情五月婷婷啪啪| 国产亚洲最大av| 亚洲国产精品成人久久小说| 午夜免费观看性视频| 免费观看在线日韩| 在线观看三级黄色| 乱系列少妇在线播放| 国产色爽女视频免费观看| 看十八女毛片水多多多| 亚洲综合色惰| 大香蕉97超碰在线| 日韩视频在线欧美| 久久热精品热| 国产视频首页在线观看| 成年免费大片在线观看| 搞女人的毛片| 成人国产麻豆网| av在线播放精品| 亚洲精品456在线播放app| 亚洲精品一二三| av网站免费在线观看视频| 国产一区亚洲一区在线观看| 精品人妻熟女av久视频| 国产伦理片在线播放av一区| 欧美日韩视频精品一区| 国精品久久久久久国模美| 国产69精品久久久久777片| av专区在线播放| 国内精品美女久久久久久| 99久久中文字幕三级久久日本| 卡戴珊不雅视频在线播放| 亚洲精品456在线播放app| 欧美高清成人免费视频www| 欧美精品人与动牲交sv欧美| 夫妻午夜视频| 国产精品一二三区在线看| 久久久精品免费免费高清| 国内少妇人妻偷人精品xxx网站| 国产亚洲91精品色在线| 97精品久久久久久久久久精品| 99久久精品一区二区三区| 交换朋友夫妻互换小说| 精品一区在线观看国产| 美女视频免费永久观看网站| 久久久久久久久久久免费av| 国产伦精品一区二区三区视频9| 丝袜美腿在线中文| 中文字幕人妻熟人妻熟丝袜美| 国产高清不卡午夜福利| xxx大片免费视频| 99久久精品国产国产毛片| 国产亚洲av片在线观看秒播厂| 波野结衣二区三区在线| 黑人高潮一二区| 亚洲欧美清纯卡通| 日韩视频在线欧美| av在线观看视频网站免费| 久久影院123| 日韩一区二区三区影片| 亚洲人成网站在线观看播放| 欧美日韩在线观看h| 舔av片在线| 国产精品国产三级国产专区5o| 午夜免费男女啪啪视频观看| 黄片无遮挡物在线观看| 国产免费视频播放在线视频| 国产精品麻豆人妻色哟哟久久| 夜夜看夜夜爽夜夜摸| 在线观看三级黄色| 最近中文字幕高清免费大全6| 热re99久久精品国产66热6| 成年女人在线观看亚洲视频 | 国产亚洲一区二区精品| 国产毛片a区久久久久| 3wmmmm亚洲av在线观看| 最近手机中文字幕大全| 少妇的逼水好多| 男女边摸边吃奶| 成人漫画全彩无遮挡| 秋霞在线观看毛片| 亚洲国产日韩一区二区| 国产精品一及| 精品人妻熟女av久视频| 国产精品99久久久久久久久| www.色视频.com| 最后的刺客免费高清国语| 亚洲精品一区蜜桃| 交换朋友夫妻互换小说| 亚洲精品久久午夜乱码| 新久久久久国产一级毛片| 日本-黄色视频高清免费观看| 午夜激情久久久久久久| 99热这里只有是精品在线观看| 欧美人与善性xxx| 97人妻精品一区二区三区麻豆| 久久韩国三级中文字幕| 联通29元200g的流量卡| 亚洲天堂av无毛| 亚洲国产精品成人综合色| 日本三级黄在线观看| 欧美日韩综合久久久久久| 亚洲一级一片aⅴ在线观看| 五月天丁香电影| 秋霞伦理黄片| 婷婷色综合大香蕉| 久久久色成人| 国产伦在线观看视频一区| 国产一区二区在线观看日韩| 亚洲av免费高清在线观看| 男女无遮挡免费网站观看| 亚洲精品乱码久久久久久按摩| 国产高清国产精品国产三级 | 久久久久久久久久成人| 日日撸夜夜添| 青春草国产在线视频| 国产成人freesex在线| 在线观看一区二区三区| 好男人在线观看高清免费视频| 亚洲av中文字字幕乱码综合| 视频区图区小说| 亚洲va在线va天堂va国产| 国产淫语在线视频| 婷婷色综合大香蕉| 亚洲国产色片| 亚洲最大成人中文| 亚洲自偷自拍三级| 成人二区视频| 最近中文字幕2019免费版| 国产av不卡久久| 51国产日韩欧美| 国产精品99久久久久久久久| 五月玫瑰六月丁香| 久热久热在线精品观看| 国产成人精品久久久久久| 国产亚洲最大av| 又爽又黄无遮挡网站| 久久久久久久久久久免费av| 激情五月婷婷亚洲| av线在线观看网站| 亚洲精品日韩在线中文字幕| videossex国产| 成人综合一区亚洲| 26uuu在线亚洲综合色| 免费观看的影片在线观看| 精品久久久久久久人妻蜜臀av| 日本与韩国留学比较| 美女内射精品一级片tv| 欧美高清成人免费视频www| 99热国产这里只有精品6| 99久国产av精品国产电影| 另类亚洲欧美激情| 久久久久久久久大av| 欧美xxxx性猛交bbbb| 日韩,欧美,国产一区二区三区| 久久久久久久久大av| 亚洲人与动物交配视频| 国产av码专区亚洲av| 欧美国产精品一级二级三级 | 亚洲成人久久爱视频| 成人高潮视频无遮挡免费网站| 99久久精品热视频| 久久精品国产亚洲网站| 日本黄大片高清| 国产精品女同一区二区软件| 国产成人精品一,二区| 亚洲av国产av综合av卡| 亚洲欧美清纯卡通| 国产欧美亚洲国产| 亚洲最大成人av| 九九爱精品视频在线观看| 成人毛片a级毛片在线播放| 日本爱情动作片www.在线观看| 欧美高清性xxxxhd video| 国产精品一区二区三区四区免费观看| 亚洲天堂av无毛| 久久久精品欧美日韩精品| 青春草国产在线视频| 色网站视频免费| 久久久精品94久久精品| 在线观看人妻少妇| 日韩伦理黄色片| 亚洲欧美中文字幕日韩二区| 色网站视频免费| 久久ye,这里只有精品| 高清在线视频一区二区三区| 亚洲熟女精品中文字幕| 亚洲人与动物交配视频| 欧美三级亚洲精品| 亚洲,一卡二卡三卡| 成人综合一区亚洲| 久久久成人免费电影| 亚洲人与动物交配视频| 欧美区成人在线视频| 在线观看国产h片| 国产乱人偷精品视频| 亚洲精品久久久久久婷婷小说| 成人无遮挡网站| 午夜免费男女啪啪视频观看| 亚洲一级一片aⅴ在线观看| 亚洲精品中文字幕在线视频 | 丝瓜视频免费看黄片| 男的添女的下面高潮视频| 亚洲aⅴ乱码一区二区在线播放| 美女被艹到高潮喷水动态| 少妇人妻 视频| 亚洲欧美中文字幕日韩二区| 国产有黄有色有爽视频| 卡戴珊不雅视频在线播放| 男女无遮挡免费网站观看| 久久久久久久久久人人人人人人| 美女主播在线视频| 亚洲自偷自拍三级| 久久99热这里只频精品6学生| 午夜激情福利司机影院| 尾随美女入室| 成年女人看的毛片在线观看| 搡老乐熟女国产| av黄色大香蕉| 精品国产三级普通话版| 免费看av在线观看网站| 汤姆久久久久久久影院中文字幕| 热99国产精品久久久久久7| 日韩国内少妇激情av| 麻豆国产97在线/欧美| 高清毛片免费看| 神马国产精品三级电影在线观看| 午夜爱爱视频在线播放| 亚洲国产高清在线一区二区三| 日本爱情动作片www.在线观看| 久久精品熟女亚洲av麻豆精品| 亚洲av成人精品一二三区| 免费黄色在线免费观看| .国产精品久久| 美女xxoo啪啪120秒动态图| 国产成人a区在线观看| eeuss影院久久| 亚洲av免费高清在线观看| 女人久久www免费人成看片| 久久久精品欧美日韩精品| 国产免费又黄又爽又色| 国产精品av视频在线免费观看| 天堂俺去俺来也www色官网| 人妻夜夜爽99麻豆av| 久久午夜福利片| 国产成人一区二区在线| 久久久久久国产a免费观看| 亚洲精品中文字幕在线视频 | 又黄又爽又刺激的免费视频.| 欧美日韩视频精品一区| 久久精品久久久久久久性| 国产精品一区二区性色av| 18禁在线无遮挡免费观看视频| 熟女av电影| 久久人人爽人人爽人人片va| 久久久a久久爽久久v久久| 少妇丰满av| a级毛色黄片| 人妻夜夜爽99麻豆av| 一区二区三区免费毛片| 三级经典国产精品| 少妇猛男粗大的猛烈进出视频 | 欧美日韩国产mv在线观看视频 | 99热国产这里只有精品6| 三级国产精品片| 1000部很黄的大片| 99久国产av精品国产电影| av福利片在线观看| av在线播放精品| 91精品一卡2卡3卡4卡| 国产黄a三级三级三级人| 涩涩av久久男人的天堂| 久久久久久伊人网av| 女的被弄到高潮叫床怎么办| av免费观看日本| 青春草国产在线视频| 成人毛片a级毛片在线播放| 婷婷色综合www| 国产黄片美女视频| 国产精品久久久久久av不卡| 国产精品.久久久| 午夜免费鲁丝| av在线亚洲专区| 男女边吃奶边做爰视频| 午夜精品一区二区三区免费看| 亚洲怡红院男人天堂| 一级av片app| 亚洲精品久久久久久婷婷小说| 简卡轻食公司| 精品人妻偷拍中文字幕| 午夜福利视频1000在线观看| 国产男女超爽视频在线观看| 精品久久久久久久末码| 波野结衣二区三区在线| av卡一久久| 日日摸夜夜添夜夜添av毛片| 综合色av麻豆| 成人午夜精彩视频在线观看| 午夜激情久久久久久久| 久久久久久久亚洲中文字幕| 亚洲自偷自拍三级| 黄色欧美视频在线观看| 少妇的逼好多水| 久久久a久久爽久久v久久| 国产成人91sexporn| 高清毛片免费看| 日韩伦理黄色片| 干丝袜人妻中文字幕| 亚洲激情五月婷婷啪啪| 99热全是精品| 免费高清在线观看视频在线观看| 韩国av在线不卡| 男女啪啪激烈高潮av片| 欧美xxxx性猛交bbbb| 欧美精品人与动牲交sv欧美| 午夜爱爱视频在线播放| 午夜福利高清视频| 男人爽女人下面视频在线观看| 精品国产一区二区三区久久久樱花 | 日日啪夜夜撸| 日韩一区二区三区影片| av播播在线观看一区| 亚洲精品第二区| 男女啪啪激烈高潮av片| 人妻系列 视频| freevideosex欧美| 欧美3d第一页| 亚洲成人中文字幕在线播放| 成人二区视频| 男女下面进入的视频免费午夜| 国产精品久久久久久精品古装| 日产精品乱码卡一卡2卡三| 少妇熟女欧美另类| 亚洲自拍偷在线| 亚洲精品第二区| 日韩人妻高清精品专区| 春色校园在线视频观看| 亚洲第一区二区三区不卡| 美女cb高潮喷水在线观看| 国产有黄有色有爽视频| 在现免费观看毛片| 国产女主播在线喷水免费视频网站| 大香蕉97超碰在线| 纵有疾风起免费观看全集完整版| 欧美xxxx性猛交bbbb| 亚洲精品乱码久久久久久按摩| 狂野欧美激情性bbbbbb| 国产精品偷伦视频观看了| 久久精品久久久久久久性| 日本与韩国留学比较| 人妻系列 视频| 亚洲精品亚洲一区二区| 秋霞在线观看毛片| 精品人妻视频免费看| 香蕉精品网在线| 五月伊人婷婷丁香| 亚洲av在线观看美女高潮| 日韩制服骚丝袜av| 国产精品麻豆人妻色哟哟久久| 国产一区亚洲一区在线观看| 午夜免费观看性视频| 欧美少妇被猛烈插入视频| 午夜免费男女啪啪视频观看| 午夜亚洲福利在线播放| 不卡视频在线观看欧美| 亚洲国产精品成人综合色| 亚洲经典国产精华液单| 能在线免费看毛片的网站| 美女脱内裤让男人舔精品视频| 美女cb高潮喷水在线观看| 免费观看在线日韩| 国产黄色视频一区二区在线观看| 久久99精品国语久久久| 蜜桃亚洲精品一区二区三区| 视频区图区小说| 日日啪夜夜爽| 亚洲av.av天堂| 一级爰片在线观看| 一级片'在线观看视频| 国产成人精品一,二区| 五月玫瑰六月丁香| 国产午夜精品一二区理论片| 天美传媒精品一区二区| 亚洲经典国产精华液单| 99久国产av精品国产电影| 纵有疾风起免费观看全集完整版| 久久久久性生活片| 精品人妻视频免费看| 亚洲精品国产av蜜桃| 精品久久久久久电影网| 亚洲人成网站高清观看| a级毛片免费高清观看在线播放| 中国美白少妇内射xxxbb| 久久久久久久精品精品| 久久久久久久久久人人人人人人| 好男人在线观看高清免费视频| 日韩av不卡免费在线播放| 国产精品一二三区在线看| 哪个播放器可以免费观看大片| 欧美高清性xxxxhd video| 色吧在线观看| 男女无遮挡免费网站观看| 男女国产视频网站| 99re6热这里在线精品视频| 91久久精品国产一区二区成人| 成人亚洲精品一区在线观看 | 人妻少妇偷人精品九色| 只有这里有精品99| 内地一区二区视频在线| 中国三级夫妇交换| 80岁老熟妇乱子伦牲交| 少妇裸体淫交视频免费看高清| 色综合色国产| 亚洲四区av| 日韩av不卡免费在线播放| 性色av一级| 日韩中字成人| 日本一本二区三区精品| 国产一区亚洲一区在线观看| kizo精华| 男男h啪啪无遮挡| 精品熟女少妇av免费看| 免费在线观看成人毛片| 日本午夜av视频| 别揉我奶头 嗯啊视频| 国产视频首页在线观看| 一级毛片aaaaaa免费看小| 久久久精品94久久精品| 久久久久国产网址| 久久久久九九精品影院| 亚洲精品亚洲一区二区| 在线亚洲精品国产二区图片欧美 | 亚洲在线观看片| av一本久久久久| 国产探花极品一区二区| 亚洲综合精品二区| 亚洲av中文av极速乱| 女的被弄到高潮叫床怎么办| 国产欧美另类精品又又久久亚洲欧美| 免费看不卡的av| 亚洲,一卡二卡三卡| 国产有黄有色有爽视频| 少妇 在线观看| 哪个播放器可以免费观看大片| 精品人妻一区二区三区麻豆| 国产亚洲午夜精品一区二区久久 | 性色avwww在线观看| 国产精品一区二区性色av| 麻豆乱淫一区二区| av在线观看视频网站免费| 午夜精品国产一区二区电影 | 18禁动态无遮挡网站| 最近最新中文字幕免费大全7| 日韩欧美一区视频在线观看 | 国产av不卡久久| 国产毛片在线视频| 欧美xxxx黑人xx丫x性爽| 91久久精品电影网| 亚洲成人一二三区av| 99热网站在线观看| 午夜免费男女啪啪视频观看| 男男h啪啪无遮挡| 我的老师免费观看完整版| 日本黄色片子视频| 高清日韩中文字幕在线| 免费看不卡的av| 久久韩国三级中文字幕| 亚洲av欧美aⅴ国产| 美女高潮的动态| 亚洲av男天堂| 欧美高清成人免费视频www| 国产av国产精品国产| 久久鲁丝午夜福利片| 国产黄片视频在线免费观看| 在线a可以看的网站| 亚洲欧美一区二区三区国产| 亚洲av中文av极速乱| 免费在线观看成人毛片| 婷婷色综合大香蕉| 亚洲三级黄色毛片| 久久精品久久精品一区二区三区| 国产成人精品久久久久久| 欧美丝袜亚洲另类| 久久99热这里只有精品18| 国产欧美日韩精品一区二区| 亚洲aⅴ乱码一区二区在线播放| 寂寞人妻少妇视频99o| 热re99久久精品国产66热6| 亚洲综合色惰| 国产精品不卡视频一区二区| 18禁在线无遮挡免费观看视频| 久久热精品热| 九九爱精品视频在线观看| 日本猛色少妇xxxxx猛交久久| 日韩国内少妇激情av| 亚洲av免费高清在线观看| 日韩欧美精品v在线| 老师上课跳d突然被开到最大视频| 日韩强制内射视频| 国产老妇女一区| 秋霞在线观看毛片| 久久久久久伊人网av| 亚洲精品一二三| 亚洲国产最新在线播放| av在线观看视频网站免费| 中文字幕人妻熟人妻熟丝袜美| 嫩草影院精品99| 九九在线视频观看精品| 国产亚洲一区二区精品| 最近最新中文字幕免费大全7| 中文资源天堂在线| 高清欧美精品videossex| 中文欧美无线码| 久久久久久久亚洲中文字幕| 精品少妇久久久久久888优播| 午夜福利在线观看免费完整高清在| 干丝袜人妻中文字幕| 爱豆传媒免费全集在线观看| 人人妻人人爽人人添夜夜欢视频 | 亚洲精品乱久久久久久| 特级一级黄色大片| 在线 av 中文字幕| eeuss影院久久| 国产欧美日韩精品一区二区| 欧美成人a在线观看| 亚洲精品日韩在线中文字幕| 涩涩av久久男人的天堂| 久久综合国产亚洲精品| 在线天堂最新版资源| 啦啦啦啦在线视频资源| 国产男人的电影天堂91| 精品酒店卫生间| 亚洲欧美一区二区三区国产| 少妇人妻久久综合中文| 亚洲国产精品999| 美女cb高潮喷水在线观看| 成人黄色视频免费在线看| 青春草视频在线免费观看| 女人十人毛片免费观看3o分钟| 精品人妻偷拍中文字幕| 日日啪夜夜爽| 国产精品女同一区二区软件| 国内精品美女久久久久久| 欧美极品一区二区三区四区| 成人特级av手机在线观看| 99精国产麻豆久久婷婷| 欧美3d第一页| 亚洲内射少妇av| 成人亚洲精品一区在线观看 | 亚洲久久久久久中文字幕| 久久久精品94久久精品| 熟女电影av网| 欧美成人精品欧美一级黄| 夫妻午夜视频| 九九在线视频观看精品| 免费看日本二区| 亚洲欧洲日产国产| 欧美区成人在线视频| 国产一级毛片在线| 国产亚洲午夜精品一区二区久久 | 狂野欧美激情性bbbbbb| 国产成人免费观看mmmm| 在线精品无人区一区二区三 | 精品久久久久久久人妻蜜臀av| 嫩草影院入口| 黄片无遮挡物在线观看| 精品视频人人做人人爽| 王馨瑶露胸无遮挡在线观看| av播播在线观看一区| 久久精品熟女亚洲av麻豆精品| 久久午夜福利片| 国产一区二区三区av在线| 久久这里有精品视频免费| 精品久久久精品久久久| 精华霜和精华液先用哪个| 国产伦精品一区二区三区四那| 一本久久精品| 3wmmmm亚洲av在线观看| 日韩在线高清观看一区二区三区|