基于改進的半監(jiān)督聚類的不平衡分類算法

陸 宇，趙凌云，白斌雯，姜 震

（江蘇大學(xué) 計算機科學(xué)與通信工程學(xué)院，江蘇 鎮(zhèn)江 212013）

0 引言

類別不平衡是指數(shù)據(jù)集中某些類（少數(shù)類）的樣本數(shù)量與其他類（多數(shù)類）的樣本數(shù)量有很大差距［1］。不平衡數(shù)據(jù)分類廣泛存在于醫(yī)療診斷、故障診斷、信用卡欺詐檢測［2］等領(lǐng)域。傳統(tǒng)的分類算法假設(shè)各類別樣本的誤分代價相等，以最小化總體錯誤率為目標(biāo)進行模型優(yōu)化，這會導(dǎo)致最終決策偏向于多數(shù)類樣本，造成少數(shù)類樣本被錯分。但是現(xiàn)實任務(wù)中少數(shù)類樣本往往更具有價值。因此如何有效提高少數(shù)類樣本的識別率、提升不平衡分類算法性能，已經(jīng)成為近年來機器學(xué)習(xí)領(lǐng)域的研究重點之一。

當(dāng)前不平衡分類的算法大致可分為兩類：1）算法層面的方法［3］通過對已有分類算法進行修改或者提出新算法以提高對少數(shù)類的識別率，這依賴于特定的算法并要求對相關(guān)領(lǐng)域有深入的了解。2）數(shù)據(jù)層面的方法通過削減多數(shù)類樣本的數(shù)量（欠采樣）或者增加少數(shù)類樣本的數(shù)量（過采樣）來實現(xiàn)訓(xùn)練集的再平衡，從而緩解分類模型的類別傾斜［4］。該類方法獨立于具體的分類算法，可擴展性高；但是欠采樣容易丟失有效的信息。過采樣通過復(fù)制原有少數(shù)類樣本或者根據(jù)原有分布合成新的少數(shù)類樣本；但是過采樣具有不確定性，且增加的樣本都是基于原有的分布，包含信息量過少，無法揭示更多的數(shù)據(jù)集分布特征。

本文提出一種利用改進的半監(jiān)督聚類來輔助不平衡分類的算法。首先，提出一種改進的半監(jiān)督聚類算法CS-KMeans（Constrained-Seeded-K-Means）來挖掘數(shù)據(jù)的分布特征，并在聚簇中選擇高置信度的無標(biāo)簽樣本（偽標(biāo)簽樣本）來補充少數(shù)類樣本。這種新型的過采樣方法除了實現(xiàn)數(shù)據(jù)集的再平衡外，還可以有效引入聚類所獲得的分布特征來改善分類模型在不平衡數(shù)據(jù)集上的性能。其次，將改進的半監(jiān)督聚類與分類模型相結(jié)合進行最終的預(yù)測。該算法緩解了單一分類器泛化能力較差的問題，進一步提升了不平衡分類性能。在實驗部分，通過將本文算法與經(jīng)典的Borderline-SMOTE（Borderline Synthetic Minority Oversampling TEchnique）［5］、自適應(yīng) 綜合過 采樣技 術(shù)（ADAptive SYNthetic sampling approach，ADASYN）［6］和最新 提出的RCSMOTE（Range-Controlled Synthetic Minority Oversampling TEchnique）［7］等算法在10 個數(shù)據(jù)集上進行對比，實驗結(jié)果表明本文所提算法有更好的性能，驗證了本文算法的可行性和有效性。

1 相關(guān)研究

在算法層面，根據(jù)不平衡數(shù)據(jù)集的分布特點，通過對已有經(jīng)典算法進行修改或者提出新算法以提高對不平衡數(shù)據(jù)集中少數(shù)類的識別率，代表算法有代價敏感學(xué)習(xí)［8］、集成學(xué)習(xí)［9］等?；诖鷥r敏感學(xué)習(xí)的方式分別給不同的類別賦予不同的代價因子，以求獲得誤分代價最小的分類結(jié)果［10］，或者考慮對決策函數(shù)添加不同的權(quán)重，使最終的決策更傾向于少數(shù)類［11］?；诩蓪W(xué)習(xí)的不平衡分類算法分為數(shù)據(jù)預(yù)處理與集成學(xué)習(xí)相結(jié)合的方法［12］和代價敏感的集成學(xué)習(xí)［13］。為了對所選算法進行適當(dāng)?shù)男薷挠糜诓黄胶鈹?shù)據(jù)分類，必須對分類算法和相關(guān)領(lǐng)域有深入的了解。

在數(shù)據(jù)層面，通過改變數(shù)據(jù)集樣本的分布或者消除各個類別之間樣本數(shù)量的差異來平衡數(shù)據(jù)集，由于其獨立于具體的分類算法，可以與任意的分類算法結(jié)合使用［14］，可擴展性高，這種方法是目前主流的算法，代表算法有SMOTE（Synthetic Minority Oversampling TEchnique）［15］，Borderline-SMOTE［5］等。SMOTE通過隨機在其K近鄰中選擇樣本進行插值，生成無重復(fù)的新的少數(shù)類樣本，可以在一定程度上解決過擬合的問題；但是新生成的樣本也會出現(xiàn)噪聲、樣本重疊的問題。后續(xù)在SMOTE 的基礎(chǔ)上又提出了許多改進的方法，Borderline-SMOTE 認(rèn)為邊界附近的樣本比遠離邊界的樣本更容易被分錯，因此在邊界的樣本應(yīng)該更重要。這個設(shè)想也符合經(jīng)典分類器的思想，如支持向量機（Support Vector Machine，SVM）就是為了最大化超平面，而超平面又由其附近的支持向量所構(gòu)成。RCSMOTE［7］為了解決引入價值量低甚至降低分類性能的噪聲樣本，將原始數(shù)據(jù)集分為安全區(qū)域、邊界區(qū)域和噪聲區(qū)域，在采樣過程中首先針對邊界區(qū)域的樣本進行采樣，擴充會影響決策平面的樣本，若邊界區(qū)域中樣本過少，不足以滿足采樣需求，那么再對安全區(qū)域的樣本進行采樣，而不會對噪聲區(qū)域的樣本進行采樣，有利于引入大量信息量高的樣本，同時減少噪聲樣本的引入。CDSMOTE（Class Decomposition SMOTE）［16］通過K-Means 將多數(shù)類分解為多個子簇，并為其賦予新的子標(biāo)簽，然后針對性地對這些簇進行過采樣。TU（Trainable Undersampling）［17］通過強化學(xué)習(xí)方式，將欠采樣過程與具體的分類過程相結(jié)合，從而有指導(dǎo)地進行欠采樣，減少過采樣刪除過多有價值的樣本。

近年來一個值得關(guān)注的方向是采用聚類分析發(fā)掘數(shù)據(jù)的分布特征，從而提高采樣的質(zhì)量。K-Means SMOTE（KMeans SMOTE）［18］首先利用聚類尋找“安全區(qū)域”，即那些更適合進行過采樣的樣本簇，然后隨機選擇這些簇中的樣本使用SMOTE 進行過采樣，這不僅解決了類間不平衡，而且有效解決了類內(nèi)不平衡。文獻［19］中通過在全體樣本上使用聚類算法和過濾的策略很好解決了類內(nèi)不平衡的問題，該算法首先在整個數(shù)據(jù)集上使用密度峰值聚類算法，然后根據(jù)簇的密度和距離多數(shù)類樣本的距離為每個簇分配采樣比重，最后該算法為了避免過采樣帶來的重疊的問題，開發(fā)了一種啟發(fā)式過濾策略，以迭代的方式將可能重疊的少數(shù)實例從多數(shù)類中移除。目前不平衡分類中基本傾向于在各個類內(nèi)部對有標(biāo)簽樣本進行無監(jiān)督聚類［20］。這種方式難以發(fā)掘數(shù)據(jù)的整體分布規(guī)律，此外還有大量的有標(biāo)簽數(shù)據(jù)未被有效利用。

2 基于改進的半監(jiān)督聚類的不平衡分類

針對當(dāng)前的不平衡分類研究中引入聚類技術(shù)的局限性，本文提出一種改進的半監(jiān)督聚類算法來輔助不平衡分類。其基本思想是利用有標(biāo)簽樣本的指導(dǎo)，在全體數(shù)據(jù)上進行聚類，建立簇與類的映射關(guān)系。相較于無監(jiān)督的局部聚類，該算法可以更好地發(fā)掘原始數(shù)據(jù)分布特征以輔助分類。首先，基于半監(jiān)督聚類的結(jié)果，從無標(biāo)簽數(shù)據(jù)中選擇置信度高的部分，作為少數(shù)類的偽標(biāo)簽樣本加入訓(xùn)練集。這種新型的過采樣方法可以更好地發(fā)掘數(shù)據(jù)的分布特征，改善隨后分類模型的訓(xùn)練。然后，考慮到類別傾斜的影響，半監(jiān)督聚類預(yù)測結(jié)果中的少數(shù)類樣本可能不足以實現(xiàn)數(shù)據(jù)集的再平衡。這種情況下，使用SMOTE 作為補充，將偽標(biāo)簽數(shù)據(jù)集、原始數(shù)據(jù)集和過采樣數(shù)據(jù)集三者結(jié)合得到新的訓(xùn)練集。最后，為了進一步提高模型的泛化性能，將改進的半監(jiān)督聚類的預(yù)測結(jié)果和分類方法的預(yù)測結(jié)果結(jié)合得到最終的分類結(jié)果。算法原理如圖1 所示。

圖1 本文算法原理Fig.1 Principle of the proposed algorithm

2.1 Constrained-Seeded-K-Means算法

半監(jiān)督聚類利用標(biāo)記數(shù)據(jù)或成對約束信息來指導(dǎo)聚類，以求得到更好的聚類結(jié)果。最常見的約束類型是成對約束，它要求數(shù)據(jù)在分配過程中滿足必連約束或勿連約束［21］，其聚類結(jié)果會受到約束順序的影響。相較于成對約束，使用部分有標(biāo)簽樣本來指導(dǎo)聚類的劃分更為自然，并避免了約束的自相矛盾和順序的影響。這些有標(biāo)簽樣本通常被用于聚類模型的初始化。其中Seeded-K-Means［22］使用標(biāo)記信息初始化質(zhì)心，然后采用標(biāo)準(zhǔn)的K-Means 迭代方法來更新質(zhì)心并完成聚簇劃分。值得注意的是，迭代過程中一些預(yù)測錯誤的樣本會明顯造成聚類性能的下降。本文提出一種目標(biāo)函數(shù)，利用標(biāo)記信息來指導(dǎo)質(zhì)心迭代，從而控制噪聲影響并改善聚類性能。

2.1.1 初始化

根據(jù)訓(xùn)練集中各個樣本的標(biāo)簽，把有標(biāo)簽樣本依次劃分到距離它們最近且標(biāo)簽相同的簇中，最后得到每個簇的初始質(zhì)心：

其中：Pk表示第k個簇。在不平衡數(shù)據(jù)集中，由于少數(shù)類樣本數(shù)量少，而且分布可能比較分散，往往會出現(xiàn)少數(shù)類樣本被錯分到多數(shù)類的簇中的情況。針對該問題，在計算樣本到各個質(zhì)心的距離時，本文提出了一種結(jié)合各個類別的不平衡率作為權(quán)重的新型距離公式如下：

其中：|P|代表樣本總數(shù)。該距離計算公式可以有效降低少數(shù)類樣本被誤分的概率。

2.1.2 目標(biāo)函數(shù)

在傳統(tǒng)的K-Means 算法中，其目標(biāo)函數(shù)是最小化各個數(shù)據(jù)點到質(zhì)心的距離和，即誤差平方和（Sum of Square Error，SSE）。

其中：Pk是第k個簇，mk是第k個簇的質(zhì)心，Λ為聚類模型。Seeded-K-Means 利用有標(biāo)簽樣本初始化簇的個數(shù)以及對應(yīng)的質(zhì)心，通過標(biāo)準(zhǔn)的質(zhì)心迭代來最小化SSE 并獲得聚簇結(jié)果；但是質(zhì)心迭代過程中有些不屬于該類（簇）的數(shù)據(jù)可能會被錯誤劃分進來，進而影響質(zhì)心和簇的質(zhì)量。這種問題在不平衡數(shù)據(jù)集中更加突出，由于少數(shù)類樣本數(shù)量少且分布分散，聚類往往為了得到最小化誤差，會將少數(shù)類樣本劃分到多數(shù)類的簇中，造成聚類性能嚴(yán)重下降。

傳統(tǒng)質(zhì)心迭代的終止條件常用的有兩種方式：方式一是設(shè)置最大迭代次數(shù)；方式二是計算前后兩次迭代的差值，若小于指定的閾值，則終止迭代。這兩種終止方式都有一個缺點，迭代過程中極有可能錯過最優(yōu)的劃分結(jié)果，導(dǎo)致聚類性能下降。

本文提出了一種新的目標(biāo)函數(shù)用來控制質(zhì)心迭代過程：利用有標(biāo)簽樣本XL來評估聚類模型的性能，進而指導(dǎo)質(zhì)心的迭代。具體做法是將訓(xùn)練集上計算的準(zhǔn)確率（Accuracy，Acc）與少數(shù)類的查全率（Recall，Rec）相結(jié)合來判斷是否停止迭代。

其中Rec的計算方式為：

其中：|Y|表示數(shù)據(jù)集類別個數(shù)，tpi是預(yù)測為i類且實際上屬于i類的樣本的數(shù)量，fni是未預(yù)測為i類但實際上屬于i類的樣本的數(shù)量。在保證SSE 下降的前提下，該目標(biāo)函數(shù)同時考慮了簇的預(yù)測準(zhǔn)確度以及少數(shù)類的查全率。在多數(shù)類不被誤分的情況下，最大化將少數(shù)類樣本劃分到對應(yīng)的少數(shù)類簇中。當(dāng)目標(biāo)函數(shù)下降時，表明如果繼續(xù)迭代會降低聚類算法性能，應(yīng)該停止迭代，并恢復(fù)上輪聚類結(jié)果。

2.1.3 簇的劃分

測試樣本x屬于所在簇的概率的計算方式為：

其中：mi為簇Pi的質(zhì)心，‖x-mi‖是樣本x到質(zhì)心mi的距離，|P|表示簇的數(shù)量，Λ為聚類模型。在不平衡數(shù)據(jù)集中，少數(shù)類樣本數(shù)量過少且分布分散，這樣屬于少數(shù)類的簇的直徑可能過小，而多數(shù)類樣本數(shù)量較多且分布集中，這有可能造成屬于多數(shù)類的簇直徑過大，二者的差距會導(dǎo)致最終對于不同類別樣本預(yù)測概率計算存在誤差。因此通過式（6）可發(fā)現(xiàn)，本文算法不僅考慮了無標(biāo)簽樣本x到其所屬簇的質(zhì)心的距離，還綜合考慮了其到所有具有相同標(biāo)簽的簇質(zhì)心的距離，這有利于避免因為簇的直徑影響不同樣本的置信度，提高了預(yù)測置信度的準(zhǔn)確性。

Constrained-Seeded-K-Means 算法的具體步驟如下。

算法1 Constrained-Seeded-K-Means 算法。

2.2 基于CS-K-Means的不平衡分類算法

本文算法首先在數(shù)據(jù)集上使用改進的半監(jiān)督聚類得到若干簇，這些簇揭示了原數(shù)據(jù)的底層分布特征；然后根據(jù)各個簇的屬性對這些多數(shù)類簇進一步處理，弱化多數(shù)類樣本的影響；接著基于聚類結(jié)果選擇高置信度偽標(biāo)簽樣本加入訓(xùn)練集并使用分類算法訓(xùn)練分類模型；最后為了提高算法的泛化性能，融合分類算法和改進的半監(jiān)督聚類結(jié)果得到最終的分類結(jié)果。算法描述如下。

算法2 基于CS-K-Means 的不平衡分類算法。

在步驟1）結(jié)束后，可能會存在一些不純的或者規(guī)模過小的多數(shù)類的簇，即重疊區(qū)域或小集群，這可能會誤導(dǎo)分類模型的訓(xùn)練；因此通過步驟2），刪除在重疊區(qū)域中可能降低少數(shù)類識別率的過小多數(shù)類簇。該做法有助于最終的決策偏向于少數(shù)類，進一步提高少數(shù)類的識別率。

在步驟3）中，有別于其他重采樣算法引入大量人工生成的樣本，本文算法篩選高置信度的偽標(biāo)簽樣本補充少數(shù)類樣本，不會破壞原始的數(shù)據(jù)分布。CS-K-Means對于樣本x的置信度預(yù)測計算方式如式（6）所示，本文將用式（6）作為置信度計算的標(biāo)準(zhǔn)——置信度越高，被選為偽標(biāo)簽樣本的概率就越大。

最終通過步驟5），將CS-K-Means 與傳統(tǒng)的分類算法相結(jié)合，得到最終分類結(jié)果，進一步提升算法的泛化能力；理論上可以使用任意具有概率輸出的分類算法，本文采用經(jīng)典的支持向量機（SVM）算法，結(jié)合方式如式（7）所示：

其中：P(y|x；Λ) 為CS-K-Means 的預(yù)測概率結(jié)果，根據(jù)式（6）計算；P(y|x；Θ)為分類器的預(yù)測概率結(jié)果，根據(jù)具體分類器計算所得。式（7）通過權(quán)重參數(shù)w調(diào)節(jié)CS-K-Means 和分類器對最終結(jié)果的影響，為了更好地融合二者預(yù)測概率，本文算法利用數(shù)據(jù)集的先驗知識不平衡率（Imbalance Ratio，IR）結(jié)合模型在訓(xùn)練集上的表現(xiàn)，自適應(yīng)地確定w，如式（8）所示：

其中：ri為先驗知識IR,分別為分類器和改進的半監(jiān)督聚類在測試集上預(yù)測結(jié)果的不同類標(biāo)簽比例。因此，分類表現(xiàn)更好的模型對于最終的決策影響更大。

3 實驗分析

3.1 數(shù)據(jù)集介紹

為了衡量本文算法的性能，本文使用keel 和UCI 中10 組數(shù)據(jù)集訓(xùn)練分類器并對結(jié)果進行分析。其中部分?jǐn)?shù)據(jù)為多分類數(shù)據(jù)集，本文實驗將某些類合并成二分類數(shù)據(jù)集：規(guī)模較小的類標(biāo)記為少數(shù)類，其余類合并為多數(shù)類。數(shù)據(jù)集詳情如表1 所示，其中IR 代表數(shù)據(jù)集的不平衡率。

表1 數(shù)據(jù)集的基本信息Tab.1 Basic information of datasets

3.2 評估指標(biāo)

本文將使用不平衡分類常用的G-mean 和曲線下面積（Area Under Curve，AUC）作為分類模型的評估指標(biāo)（本文將少數(shù)類定義為正類，多數(shù)類定義為負(fù)類）。令TP（True Positive）表示預(yù)測為正類的正樣本；TN（True Negative）為預(yù)測為負(fù)類的負(fù)樣本；FP（False Positive）為預(yù)測為正類的負(fù)樣本；FN（False Negative）為預(yù)測為負(fù)類的正樣本?？梢杂嬎愠鲮`敏度（Sensitivity，Sens）和特異度（Specificity，Spec）：

根據(jù)這兩項指標(biāo)，可以得到G-mean：

受試者工作特征（Receiver Operating Characteristic，ROC）是一個二維平面上的曲線，以假陽率為橫軸，以真陽率為縱軸。最佳的分類器應(yīng)當(dāng)盡可能處于左上方。當(dāng)一個分類器的ROC 曲線完全覆蓋另一個分類器的ROC 曲線，則說明前者的分類性能優(yōu)于后者；若兩分類器的ROC 曲線發(fā)生交叉則無法斷言哪個分類器性能更好。因此引入了ROC 曲線下的面積，即AUC 進行對比。

3.3 結(jié)果分析

本文將所提算法與6 個過采樣算法Borderline-SMOTE（B-SMOTE）、SVM-SMOTE（Support Vector Machines Synthetic Minority Oversampling TEchnique）［23］、K-Means SMOTE、ADASYN［6］、RCSMOTE 和CDSMOTE 以及1 種欠采樣算法TU進行比較，其中前4 個算法使用Python 下的Imbalance-learn包實現(xiàn)，參數(shù)均使用默認(rèn)參數(shù)，RCSMOTE、CDSMOTE 和TU使用與相應(yīng)文獻相同的參數(shù)設(shè)置?；A(chǔ)分類器使用的都是SVM，均采用徑向基核函數(shù)（Radial Basis Function，RBF）。表2、3 同時列出了基礎(chǔ)分類器SVM 和改進的半監(jiān)督聚類算法的結(jié)果。最終結(jié)果為5 折交叉驗證的平均值。

表2、3分別給出了10種不同算法在10個不平衡數(shù)據(jù)集上的AUC 和G-mean 指標(biāo)的實驗結(jié)果，最優(yōu)結(jié)果加粗表示，其中CS-K-Means 表示改進的半監(jiān)督聚類的結(jié)果，SVM 表示基分類器SVM的結(jié)果，C_SVM表示SVM在CS-K-Means處理過后的數(shù)據(jù)集上的結(jié)果。從結(jié)果可以看出，在AUC和G-mean的平均結(jié)果上本文算法都達到了最優(yōu)。這表明了本文算法對于不平衡數(shù)據(jù)分類的有效性。與基分類器SVM 相比，所有的不平衡分類算法在AUC和G-mean上都有了明顯的提升，這表明了這些算法在處理不平衡數(shù)據(jù)分類上的優(yōu)越性能。

表2 不同算法的AUC對比Tab.2 AUC comparison of different algorithms

表3 不同算法的G-mean對比Tab.3 G-mean comparison of different algorithms

從表2 可以看出，改進的半監(jiān)督聚類算法在AUC 指標(biāo)上，在pima 數(shù)據(jù)集上表現(xiàn)接近其他不平衡分類算法，其原因可能為CS-K-Means 利用式（2）重點將樣本劃分到少數(shù)類簇，因此提高了少數(shù)類的預(yù)測概率；同時利用改進的目標(biāo)函數(shù)控制簇的迭代過程，使算法適時收斂，得到了相對最優(yōu)簇劃分。C_SVM 在2 個指標(biāo)上的平均結(jié)果表現(xiàn)也要優(yōu)于SVM，這表明了改進的半監(jiān)督聚類算法提供的偽標(biāo)簽樣本對于發(fā)掘數(shù)據(jù)底層分布特征的作用。本文算法通過式（7）融合SVM 和改進的半監(jiān)督聚類算法，平均結(jié)果優(yōu)于CS-K-Means 和C_SVM，算法的不平衡分類性能得到進一步提高，充分體現(xiàn)了融合算法的效果。

在AUC 指標(biāo)上，本文算法在6 個數(shù)據(jù)集上得到了最優(yōu)結(jié)果，并取得最高的平均結(jié)果，在ecoli-0-4-6vs5 上優(yōu)勢更加明顯。分析其原因為得益于半監(jiān)督聚類得到了該數(shù)據(jù)集的原始分布特征，并補充偽標(biāo)簽樣本和引入符合原始分布的人造樣本，在減少了不平衡的情況下很少引入噪聲數(shù)據(jù)，這充分說明本文利用偽標(biāo)簽樣本，有助于發(fā)現(xiàn)更多的少數(shù)類邊緣樣本分布特征，從而推動決策面向有利于少數(shù)類的方向移動。

在G-mean 指標(biāo)上，本文算法在5 個數(shù)據(jù)集上得到了最優(yōu)結(jié)果，同時也取得了最高的平均結(jié)果。在ijcnn1 數(shù)據(jù)集上，由于該數(shù)據(jù)集所含樣本數(shù)很大，CS-K-Means 在G-mean 指標(biāo)上表現(xiàn)較差，分析其原因可能是該樣本多數(shù)類樣本數(shù)量遠多于少數(shù)類樣本，可能存在樣本重疊的情況，導(dǎo)致CS-K-Means無法得到有效的簇。但是本文算法最終的結(jié)果卻未嚴(yán)重受到其影響，這說明通過式（8）可以綜合基分類器的性能，提高算法的魯棒性。在數(shù)據(jù)集abalone19 上，SVM 無法識別出少數(shù)類樣本；而欠采樣算法TU 相較于其他過采樣算法在AUC和G-mean 上都表現(xiàn)較差。可能由于該數(shù)據(jù)集不平衡率非常大，通過大批量刪除多數(shù)類樣本取得數(shù)據(jù)集的平衡，很容易刪除掉大批信息豐富的樣本，造成性能的下降；而過采樣避免了這一問題，通過補充少數(shù)類樣本數(shù)量，大部分還是取得了不錯的表現(xiàn)。

4 結(jié)語

本文提出一種改進的半監(jiān)督聚類算法，并利用該算法來輔助不平衡分類。首先，針對傳統(tǒng)的半監(jiān)督聚類算法在質(zhì)心迭代中由于噪聲引起的性能下降問題，本文提出一種改進的目標(biāo)函數(shù)來約束質(zhì)心迭代。其次，提出一種新型的重采樣方法：利用改進的半監(jiān)督聚類來補充少數(shù)類的偽標(biāo)簽樣本。最后，結(jié)合半監(jiān)督聚類與分類的結(jié)果進行最終預(yù)測，以進一步提升模型的不平衡分類性能。在與6 個基于過采樣和1 個基于欠采樣的不平衡分類算法的實驗對比中，本文算法在AUC和G-mean 指標(biāo)上均獲得了最優(yōu)的平均結(jié)果。這些實驗結(jié)果表明，基于改進的半監(jiān)督聚類的不平衡分類算法有助于提高少數(shù)類樣本的識別率?？紤]到偽標(biāo)簽樣本中可能存在的噪聲問題，計劃在下一步的研究中結(jié)合自步學(xué)習(xí)（Self-Paced Learning，SPL）技術(shù)來降低偽標(biāo)簽樣本中的噪聲影響，從而進一步提高不平衡分類性能。