• <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
    天天添夜夜摸| 久热爱精品视频在线9| 亚洲人成伊人成综合网2020| 天堂中文最新版在线下载| 国产精品自产拍在线观看55亚洲 | 啦啦啦视频在线资源免费观看| 国产激情欧美一区二区| 国产激情久久老熟女| 欧美日韩亚洲综合一区二区三区_| 久久久久久人人人人人| 777久久人妻少妇嫩草av网站| 看免费av毛片| 高潮久久久久久久久久久不卡| 99热网站在线观看| 美女扒开内裤让男人捅视频| 校园春色视频在线观看| av电影中文网址| 悠悠久久av| 亚洲第一青青草原| 欧美成狂野欧美在线观看| 国产精品 欧美亚洲| 久久精品亚洲熟妇少妇任你| 欧美精品亚洲一区二区| 国产精品免费视频内射| 一级毛片高清免费大全| 国产97色在线日韩免费| a级毛片在线看网站| а√天堂www在线а√下载 | 三级毛片av免费| 很黄的视频免费| 国产伦人伦偷精品视频| 天天影视国产精品| 久久久久久久国产电影| 大型黄色视频在线免费观看| 国产视频一区二区在线看| 国产高清视频在线播放一区| 久久久久久久午夜电影 | 多毛熟女@视频| 欧美日韩瑟瑟在线播放| 新久久久久国产一级毛片| 国产高清激情床上av| 久久精品国产清高在天天线| 美女午夜性视频免费| 丝瓜视频免费看黄片| 国产高清视频在线播放一区| 亚洲精品中文字幕在线视频| 一区二区三区激情视频| 久久亚洲精品不卡| 国产午夜精品久久久久久| 午夜福利免费观看在线| 捣出白浆h1v1| 午夜福利一区二区在线看| 18禁观看日本| 亚洲精品中文字幕在线视频| 国产野战对白在线观看| 天堂中文最新版在线下载| 国产成人欧美在线观看 | 国产午夜精品久久久久久| 99精国产麻豆久久婷婷| 少妇裸体淫交视频免费看高清 | 十八禁人妻一区二区| 啪啪无遮挡十八禁网站| 美女扒开内裤让男人捅视频| 久久久久久免费高清国产稀缺| 国产一卡二卡三卡精品| 欧美成狂野欧美在线观看| 国产99白浆流出| 免费在线观看完整版高清| 高清毛片免费观看视频网站 | 精品少妇久久久久久888优播| www日本在线高清视频| 免费日韩欧美在线观看| 美国免费a级毛片| 精品久久久久久久久久免费视频 | 高清黄色对白视频在线免费看| 天天操日日干夜夜撸| 国产精品久久视频播放| 极品人妻少妇av视频| 日韩欧美在线二视频 | tocl精华| 精品卡一卡二卡四卡免费| 日本五十路高清| 香蕉丝袜av| 欧美丝袜亚洲另类 | 国产aⅴ精品一区二区三区波| 麻豆成人av在线观看| av视频免费观看在线观看| 老鸭窝网址在线观看| av网站在线播放免费| 九色亚洲精品在线播放| 国产欧美日韩精品亚洲av| 一区二区三区精品91| 精品少妇久久久久久888优播| 午夜精品国产一区二区电影| 91av网站免费观看| av一本久久久久| 又紧又爽又黄一区二区| 一二三四社区在线视频社区8| 亚洲国产欧美一区二区综合| 欧美最黄视频在线播放免费 | 黑人操中国人逼视频| 看黄色毛片网站| 人妻丰满熟妇av一区二区三区 | 窝窝影院91人妻| 99国产精品99久久久久| 欧美国产精品va在线观看不卡| 欧美 日韩 精品 国产| 美女高潮到喷水免费观看| 国产成人一区二区三区免费视频网站| 亚洲精品国产色婷婷电影| 久久精品国产综合久久久| 曰老女人黄片| 国产99白浆流出| www.自偷自拍.com| 身体一侧抽搐| 国产99白浆流出| 999久久久国产精品视频| 午夜影院日韩av| 两个人免费观看高清视频| 亚洲精品一二三| 国产精品九九99| 亚洲精品自拍成人| 国产成人影院久久av| 亚洲黑人精品在线| 国产免费现黄频在线看| 啦啦啦 在线观看视频| 天堂中文最新版在线下载| 久99久视频精品免费| 欧洲精品卡2卡3卡4卡5卡区| 国产成人精品久久二区二区免费| av电影中文网址| 欧美乱码精品一区二区三区| xxxhd国产人妻xxx| 国产片内射在线| 久久久国产成人精品二区 | 69av精品久久久久久| www.精华液| 激情视频va一区二区三区| 亚洲av美国av| 亚洲国产欧美一区二区综合| 欧美黄色淫秽网站| 老司机福利观看| 亚洲欧美激情综合另类| 欧美精品一区二区免费开放| bbb黄色大片| 搡老乐熟女国产| 一边摸一边抽搐一进一出视频| av在线播放免费不卡| a在线观看视频网站| 黄色毛片三级朝国网站| 亚洲美女黄片视频| 午夜福利在线免费观看网站| 久久午夜亚洲精品久久| 国产成人一区二区三区免费视频网站| 18禁裸乳无遮挡免费网站照片 | 亚洲国产看品久久| 国产精品.久久久| 亚洲欧美激情综合另类| 国产99久久九九免费精品| 曰老女人黄片| 久久香蕉精品热| 妹子高潮喷水视频| 午夜两性在线视频| 自线自在国产av| 午夜福利乱码中文字幕| 51午夜福利影视在线观看| 国产精品 欧美亚洲| 丝袜在线中文字幕| 亚洲aⅴ乱码一区二区在线播放 | 亚洲在线自拍视频| 欧美国产精品va在线观看不卡| 动漫黄色视频在线观看| 欧美亚洲日本最大视频资源| 自线自在国产av| 免费黄频网站在线观看国产| 国产蜜桃级精品一区二区三区 | 91大片在线观看| 免费日韩欧美在线观看| 国产日韩欧美亚洲二区| 国产精品国产av在线观看| 99热只有精品国产| 在线天堂中文资源库| 精品免费久久久久久久清纯 | 在线十欧美十亚洲十日本专区| 亚洲av成人不卡在线观看播放网| 国产免费现黄频在线看| 99香蕉大伊视频| 国产精品欧美亚洲77777| 免费av中文字幕在线| 高清在线国产一区| 午夜免费鲁丝| 超碰成人久久| 99国产极品粉嫩在线观看| 91精品三级在线观看| 亚洲一区二区三区欧美精品| 国产熟女午夜一区二区三区| 制服诱惑二区| 国产精品成人在线| 国产亚洲欧美98| xxx96com| 亚洲欧美精品综合一区二区三区| 国产一区有黄有色的免费视频| 亚洲久久久国产精品| 国产精品一区二区在线观看99| 亚洲国产精品一区二区三区在线| 青草久久国产| 亚洲成国产人片在线观看| 国产精品电影一区二区三区 | 90打野战视频偷拍视频| av网站免费在线观看视频| 成人手机av| 亚洲一区高清亚洲精品| 亚洲欧洲精品一区二区精品久久久| 王馨瑶露胸无遮挡在线观看| 亚洲av成人不卡在线观看播放网| 天堂√8在线中文| 青草久久国产| 亚洲avbb在线观看| 99久久99久久久精品蜜桃| 99国产精品一区二区三区| 亚洲午夜精品一区,二区,三区| 国产无遮挡羞羞视频在线观看| 国产日韩欧美亚洲二区| 欧美日韩中文字幕国产精品一区二区三区 | 五月开心婷婷网| 久久精品亚洲av国产电影网| 女人被狂操c到高潮| www.熟女人妻精品国产| 亚洲精品久久午夜乱码| 咕卡用的链子| 动漫黄色视频在线观看| 在线永久观看黄色视频| 久久久国产精品麻豆| 一进一出抽搐动态| 亚洲中文字幕日韩| 人成视频在线观看免费观看| 国产免费男女视频| 亚洲视频免费观看视频| a在线观看视频网站| 久久ye,这里只有精品| 色综合婷婷激情| 岛国在线观看网站| 久久久久久人人人人人| 日韩 欧美 亚洲 中文字幕| 黄色视频不卡| tocl精华| 精品国产国语对白av| 男女午夜视频在线观看| 久久人妻福利社区极品人妻图片| 久久精品成人免费网站| 久久性视频一级片| 国产熟女午夜一区二区三区| 国产激情久久老熟女| 久久精品亚洲精品国产色婷小说| 国产精品久久久久久精品古装| 免费在线观看完整版高清| 大香蕉久久成人网| 美女扒开内裤让男人捅视频| 男女高潮啪啪啪动态图| 99久久99久久久精品蜜桃| 黄色 视频免费看| 午夜福利,免费看| 高清毛片免费观看视频网站 | 在线观看舔阴道视频| 男女床上黄色一级片免费看| 午夜久久久在线观看| 国产精品影院久久| 如日韩欧美国产精品一区二区三区| 欧美不卡视频在线免费观看 | 激情在线观看视频在线高清 | 欧美亚洲 丝袜 人妻 在线| 精品国产一区二区久久| www.熟女人妻精品国产| 黄色成人免费大全| 免费在线观看完整版高清| 国产精华一区二区三区| 亚洲 欧美一区二区三区| 亚洲全国av大片| 99国产精品免费福利视频| 国产有黄有色有爽视频| 亚洲av电影在线进入| 欧美精品人与动牲交sv欧美| 久久久久久亚洲精品国产蜜桃av| 女性被躁到高潮视频| 日韩精品免费视频一区二区三区| 日本wwww免费看| 中文亚洲av片在线观看爽 | 国产99久久九九免费精品| 黑人巨大精品欧美一区二区蜜桃| 成人免费观看视频高清| 久久午夜亚洲精品久久| 久久久久久亚洲精品国产蜜桃av| 精品高清国产在线一区| 妹子高潮喷水视频| 黄片小视频在线播放| 别揉我奶头~嗯~啊~动态视频| 黑人操中国人逼视频| 国产不卡一卡二| 女警被强在线播放| 91九色精品人成在线观看| 村上凉子中文字幕在线| 亚洲av成人av| 高清黄色对白视频在线免费看| 亚洲成a人片在线一区二区| 精品高清国产在线一区| 伊人久久大香线蕉亚洲五| 90打野战视频偷拍视频| 国产人伦9x9x在线观看| 大型黄色视频在线免费观看| 日韩欧美免费精品| 国产亚洲欧美98| 怎么达到女性高潮| 一边摸一边做爽爽视频免费| 在线视频色国产色| 黄频高清免费视频| 老司机午夜福利在线观看视频| 久久久久国产精品人妻aⅴ院 | 日本wwww免费看| 窝窝影院91人妻| 飞空精品影院首页| 1024香蕉在线观看| 高清毛片免费观看视频网站 | 久久久久久久精品吃奶| 自拍欧美九色日韩亚洲蝌蚪91| 建设人人有责人人尽责人人享有的| 美女高潮喷水抽搐中文字幕| 制服诱惑二区| 国产亚洲欧美98| 看黄色毛片网站| 免费在线观看影片大全网站| 久久香蕉国产精品| 午夜老司机福利片| 久久精品国产综合久久久| 日本欧美视频一区| 久久香蕉激情| 咕卡用的链子| 久久精品aⅴ一区二区三区四区| 中国美女看黄片| 少妇猛男粗大的猛烈进出视频| 国产野战对白在线观看| 国产一区二区激情短视频| 欧美日韩一级在线毛片| 人妻丰满熟妇av一区二区三区 | 天天躁夜夜躁狠狠躁躁| 国产三级黄色录像| 亚洲欧美激情综合另类| 欧美精品亚洲一区二区| 亚洲熟妇中文字幕五十中出 | 操美女的视频在线观看| 曰老女人黄片| 日本精品一区二区三区蜜桃| 亚洲国产欧美一区二区综合| 国产精品免费大片| 9热在线视频观看99| 午夜福利一区二区在线看| 欧美乱妇无乱码| 在线观看舔阴道视频| 在线观看免费视频网站a站| 欧美一级毛片孕妇| 午夜福利乱码中文字幕| 久久ye,这里只有精品| 国产欧美日韩一区二区三| www.熟女人妻精品国产| 村上凉子中文字幕在线| 久久久久国内视频| 王馨瑶露胸无遮挡在线观看| 精品久久久久久,| 久久久水蜜桃国产精品网| 国产成人av教育| 色综合婷婷激情| 国产男靠女视频免费网站| 国产成人精品久久二区二区91| 国产高清videossex| 韩国精品一区二区三区| 大型av网站在线播放| 久久热在线av| 男女午夜视频在线观看| 最新的欧美精品一区二区| 王馨瑶露胸无遮挡在线观看| 99热只有精品国产| 成熟少妇高潮喷水视频| 伊人久久大香线蕉亚洲五| 大型av网站在线播放| 黑人欧美特级aaaaaa片| 亚洲熟女毛片儿| 1024香蕉在线观看| 国产成人av教育| 脱女人内裤的视频| 在线观看一区二区三区激情| 亚洲国产欧美一区二区综合| 亚洲精品久久午夜乱码| 精品一区二区三卡| 最新的欧美精品一区二区| 国产亚洲精品久久久久久毛片 | 免费观看精品视频网站| 午夜福利视频在线观看免费| 国产精品久久久久久人妻精品电影| 国产高清国产精品国产三级| 久热爱精品视频在线9| 人人妻人人爽人人添夜夜欢视频| 黄色片一级片一级黄色片| 国产精品1区2区在线观看. | 最新的欧美精品一区二区| 一区二区三区国产精品乱码| av视频免费观看在线观看| 国产区一区二久久| 777久久人妻少妇嫩草av网站| 在线永久观看黄色视频| 1024视频免费在线观看| 精品第一国产精品| 欧美日韩亚洲高清精品| 久久中文字幕人妻熟女| 国产高清国产精品国产三级| 国产亚洲精品第一综合不卡| 在线观看日韩欧美| av中文乱码字幕在线| 国产伦人伦偷精品视频| 国产片内射在线| 欧美+亚洲+日韩+国产| 最近最新中文字幕大全免费视频| 男女高潮啪啪啪动态图| 亚洲五月色婷婷综合| 亚洲熟妇中文字幕五十中出 | 高清黄色对白视频在线免费看| 伦理电影免费视频| 精品人妻1区二区| 最新的欧美精品一区二区| 欧美人与性动交α欧美软件| 母亲3免费完整高清在线观看| 欧美成人午夜精品| 免费在线观看黄色视频的| 国产日韩欧美亚洲二区| 国产精品久久电影中文字幕 | 老司机影院毛片| 久久精品国产99精品国产亚洲性色 | 超碰成人久久| 性色av乱码一区二区三区2| 欧美不卡视频在线免费观看 | 午夜精品久久久久久毛片777| 亚洲午夜精品一区,二区,三区| 亚洲av日韩精品久久久久久密| 女人久久www免费人成看片| 一区在线观看完整版| 亚洲成人免费电影在线观看| 亚洲av第一区精品v没综合| 黄片播放在线免费| 欧美av亚洲av综合av国产av| 亚洲色图 男人天堂 中文字幕| 欧美不卡视频在线免费观看 | 成年人午夜在线观看视频| 亚洲精品中文字幕一二三四区| 国产精品免费视频内射| 别揉我奶头~嗯~啊~动态视频| 十八禁高潮呻吟视频| 大片电影免费在线观看免费| 深夜精品福利| 91九色精品人成在线观看| 欧美在线一区亚洲| 国产99白浆流出| 成人手机av| 成人特级黄色片久久久久久久| 人成视频在线观看免费观看| 窝窝影院91人妻| 国产真人三级小视频在线观看| 国产av又大| 国产乱人伦免费视频| 男女下面插进去视频免费观看| 久久精品国产综合久久久| 99在线人妻在线中文字幕 | 久久久久久久国产电影| 老鸭窝网址在线观看| 丁香六月欧美| 80岁老熟妇乱子伦牲交| 国产成人欧美在线观看 | 很黄的视频免费| 欧美在线黄色| 国产成人av激情在线播放| 国产精品一区二区在线观看99| 757午夜福利合集在线观看| 超色免费av| 丝瓜视频免费看黄片| 十分钟在线观看高清视频www| 国产亚洲精品第一综合不卡| e午夜精品久久久久久久| 亚洲 国产 在线| 国产精品偷伦视频观看了| 91在线观看av| 99热只有精品国产| 大片电影免费在线观看免费| 韩国精品一区二区三区| 一级片免费观看大全| 91在线观看av| 成年人免费黄色播放视频| 国产aⅴ精品一区二区三区波| 久久久精品免费免费高清| 免费观看精品视频网站| 18禁美女被吸乳视频| 岛国在线观看网站| 欧美在线一区亚洲| 曰老女人黄片| 最近最新中文字幕大全免费视频| 日日爽夜夜爽网站| 久久精品熟女亚洲av麻豆精品| 黄色片一级片一级黄色片| 亚洲中文字幕日韩| 亚洲一区二区三区欧美精品| 欧美激情久久久久久爽电影 | 老司机亚洲免费影院| 亚洲一码二码三码区别大吗| 欧美激情久久久久久爽电影 | 不卡av一区二区三区| 五月开心婷婷网| 人人妻人人添人人爽欧美一区卜| 新久久久久国产一级毛片| 久99久视频精品免费| 精品国产超薄肉色丝袜足j| 欧美日韩成人在线一区二区| av免费在线观看网站| 母亲3免费完整高清在线观看| 亚洲精品在线美女| 狂野欧美激情性xxxx| 美女高潮喷水抽搐中文字幕| 无限看片的www在线观看| 丝袜人妻中文字幕| videos熟女内射| 久久影院123| 久久精品人人爽人人爽视色| 亚洲精品一卡2卡三卡4卡5卡| bbb黄色大片| 一区二区日韩欧美中文字幕| 国产成人免费无遮挡视频| 免费人成视频x8x8入口观看| 飞空精品影院首页| 免费久久久久久久精品成人欧美视频| 捣出白浆h1v1| 老熟妇乱子伦视频在线观看| 一进一出抽搐动态| av视频免费观看在线观看| 亚洲精品久久午夜乱码| 亚洲精品粉嫩美女一区| 色综合婷婷激情| 久久国产精品大桥未久av| 王馨瑶露胸无遮挡在线观看| 啦啦啦 在线观看视频| 成人18禁高潮啪啪吃奶动态图| av在线播放免费不卡| 欧美黄色淫秽网站| 极品少妇高潮喷水抽搐| 亚洲一区高清亚洲精品| 午夜影院日韩av| 久久久国产成人精品二区 | 国产精品香港三级国产av潘金莲| 国产1区2区3区精品| 亚洲精华国产精华精| 国产精品影院久久| 两个人看的免费小视频| 日韩欧美免费精品| 婷婷成人精品国产| 最新在线观看一区二区三区| 99re在线观看精品视频| 国产精品永久免费网站| 久久精品国产清高在天天线| 伦理电影免费视频| 黄色女人牲交| 多毛熟女@视频| 国产高清激情床上av| 校园春色视频在线观看| 日本欧美视频一区| 免费久久久久久久精品成人欧美视频| 亚洲第一av免费看| av网站在线播放免费| 水蜜桃什么品种好| 久久九九热精品免费| 男人舔女人的私密视频| 久久久国产成人精品二区 | 国产精品国产av在线观看| 午夜免费鲁丝| 亚洲久久久国产精品| 久久人人爽av亚洲精品天堂| 男女床上黄色一级片免费看| 久久人人爽av亚洲精品天堂| 高清视频免费观看一区二区| 免费观看精品视频网站| 久久久久久久午夜电影 | 丝袜美足系列| 欧美日韩乱码在线| 欧美激情久久久久久爽电影 | 午夜福利乱码中文字幕| 久久精品国产综合久久久| 香蕉国产在线看| 日韩精品免费视频一区二区三区| 精品卡一卡二卡四卡免费| 中文欧美无线码| 巨乳人妻的诱惑在线观看| 一级毛片高清免费大全| 亚洲五月婷婷丁香| av在线播放免费不卡| 91在线观看av| 麻豆国产av国片精品| 国产精品久久久人人做人人爽| 一本大道久久a久久精品| 亚洲人成电影免费在线| 国产一卡二卡三卡精品| 亚洲国产精品合色在线| 免费在线观看亚洲国产| 99re6热这里在线精品视频| 国产精品99久久99久久久不卡| 国产亚洲欧美98| 黄色视频不卡| 亚洲成人免费电影在线观看| 人妻久久中文字幕网| 欧美日韩中文字幕国产精品一区二区三区 | 最新的欧美精品一区二区| 亚洲全国av大片| 老司机午夜福利在线观看视频|