樣本

衡數(shù)據(jù)是指各類別樣本的數(shù)量有巨大差異的數(shù)據(jù)集，其廣泛存在于金融欺詐檢測、醫(yī)療診斷、故障預(yù)測等實際應(yīng)用中。在將支持向量機、貝葉斯分類器、神經(jīng)網(wǎng)絡(luò)等傳統(tǒng)的分類模型用于不平衡數(shù)據(jù)的分類時，分類器傾向于學(xué)習(xí)多數(shù)類樣本的特征而忽略了少數(shù)類，容易將少數(shù)類樣本識別為多數(shù)類，無法保證少數(shù)類樣本的分類準(zhǔn)確率。而由于少數(shù)類樣本往往具有重要價值，因此其類別的誤判會造成嚴(yán)重的損失。以保險欺詐檢測為例，欺詐行為的數(shù)量遠(yuǎn)遠(yuǎn)小于正常交易的數(shù)量，如果不能檢測出欺詐活動，那么將會造成機構(gòu)資

時,選取確定的聲樣本作為參考聲樣本能得到一致性更高的結(jié)果,因此人們更多地采用參考評分法[7-9]。使用該方法時,一般會在全體待評價聲樣本中選取感知特性適中的待評價樣本作為參考聲樣本,因而被稱為待測樣本法。在評價過程中,如果參考樣本與待評價樣本類型相同,可比性強,則被試評分一致性高,可得到準(zhǔn)確的評價值。但不同實驗中選取的參考樣本往往不同,使得實驗結(jié)果之間不具可比性。為此,Nilsson[10]提出將每個實驗聲樣本的煩惱度表示為粉紅噪聲等效聲級,即用具有相同煩

的限制，采集到的樣本中通常無標(biāo)簽樣本占比大，有標(biāo)簽樣本占比少。為充分利用這些樣本信息，半監(jiān)督學(xué)習(xí)和主動學(xué)習(xí)算法相繼提出并應(yīng)用于圖像分類[1-2]、故障檢測[3-4]、工業(yè)過程建模[5-6]等領(lǐng)域。傳統(tǒng)的半監(jiān)督學(xué)習(xí)算法通過對無標(biāo)簽樣本進(jìn)行標(biāo)記以擴大有標(biāo)簽樣本集，以此達(dá)到提升模型精度的目的[7-10]。區(qū)別于半監(jiān)督學(xué)習(xí)算法僅利用無標(biāo)簽樣本來提升模型性能，主動學(xué)習(xí)借助專家知識，對優(yōu)選出的無標(biāo)簽樣本進(jìn)行人工標(biāo)記[11-12]，獲取其真實標(biāo)簽，并將標(biāo)記后的樣本加入有

不同類別之間數(shù)據(jù)樣本的不均衡分布，其中大多數(shù)樣本屬于某種類別，而剩余的樣本屬于其它類別。許多實際的應(yīng)用領(lǐng)域中都存在不均衡數(shù)據(jù)集的分類問題，例如醫(yī)療診斷［1］、信息檢索系統(tǒng)［2］、欺詐性電話的檢測［3］、直升機故障檢測［4］等。傳統(tǒng)的分類方法傾向于對多數(shù)類有較高的識別率，對于少數(shù)類的識別率卻很低。因此不均衡數(shù)據(jù)集的分類問題的研究需要尋求新的分類方法和判別準(zhǔn)則。目前最流行的處理不平衡學(xué)習(xí)問題的方法多是基于過采樣方法來延伸的。在本文中，首先介紹了SMOTE 算法

]中，在幾百萬個樣本基因里可能僅有一個基因是癌癥基因；電信通訊中只有少數(shù)通訊是具有欺詐行為的通訊記錄[4-5]；軟件檢測中也只有不到10%的軟件是具有缺陷的[6]。不平衡數(shù)據(jù)普遍存在于人類生活的方方面面，不僅數(shù)據(jù)分布廣泛，而且數(shù)據(jù)比例不均衡。在不平衡數(shù)據(jù)中數(shù)量多的樣本稱為負(fù)樣本，數(shù)量少的樣本稱為正樣本。正負(fù)樣本擁有較大的比例差距，例如：全國1年中雷電天氣(正樣本)天數(shù)占全年天數(shù)的比例不到10%；新生體檢中患肺結(jié)核疾病的學(xué)生人數(shù)占比不到1‰。在數(shù)據(jù)分類評價指

數(shù)據(jù),是指某一類樣本的數(shù)量明顯少于另一類樣本的數(shù)量,即多數(shù)類(負(fù)類)和少數(shù)類(正類)存在比例失衡[5].在非均衡數(shù)據(jù)集中少數(shù)類可能比多數(shù)類包含著更多有價值的信息,在這種情況下,正確識別少數(shù)類比正確識別多數(shù)類更加重要.隨機森林[6]通過自助采樣[7]獲取樣本集,從而構(gòu)建決策樹得到很好的分類預(yù)測效果,常被用于數(shù)據(jù)集分類研究[8,9]中.但在實際應(yīng)用中,因為所獲得的數(shù)據(jù)常常表現(xiàn)為非均衡數(shù)據(jù)[10],所以在數(shù)據(jù)處理方面經(jīng)常引入欠采樣和過采樣方法,對于非均衡數(shù)據(jù)集的

090）探討生物樣本庫的管理與應(yīng)用，首先需要明確生物樣本的定義，生物樣本是指從生物個體獲得的物質(zhì)，生物資源是指融合生物樣本實體、生物分子信息及生物樣本表型數(shù)據(jù)的綜合資源［1］。生物樣本庫是指所有涉及生物資源收集、處理、保存和使用的機構(gòu)，包括人類生物樣本庫、動物樣本庫、植物樣本庫和微生物樣本庫。人類生物樣本庫是針對人類生物資源收集、處理、保存和使用的機構(gòu)，人類生物樣本包括原始樣本如：血液、組織、尿液、唾液、糞便、毛發(fā)和皮屑等，還有很多衍生樣本，如細(xì)胞、DNA

基于核方法的虛擬樣本構(gòu)造劉鵬飛，何良華(同濟大學(xué) 電子與信息工程學(xué)院，上海 201804)樣本不平衡問題已經(jīng)成為機器學(xué)習(xí)領(lǐng)域的研究熱門。虛擬樣本生成方法是一種重要的解決樣本不平衡問題的方法，它通過線性生成少數(shù)類樣本來實現(xiàn)。在以往的大多數(shù)研究工作中，虛擬樣本的生成是在原始的特征空間中進(jìn)行的，樣本通常處于線性不可分的狀態(tài)，將會導(dǎo)致生成的虛擬樣本丟失幾何特性。因此，文章提出了一種基于核方法的虛擬樣本構(gòu)造方法，虛擬樣本在線性可分的核空間中生成。樣本不平衡；支持向量