关于K近邻的过抽样算法在不平衡的医学资料中的应用.pdfVIP

·566· 基于K近邻的过抽样算法在不平衡的医学资料中的应用 周舒冬1张 磊2李丽霞1 l撬要】 髫静介绥一赞基予X近邻酶遵麴襻算法糍不平衡鹣嚣学数据集努类孛盼应焉。方法蓄先零j熏x滋 邻法删除在分类中容易与少数类混淆的多数类样本；再对新生成的训练集利用SMOTE算法进行少数类样本的扩充，以 有效提高少数类的分类性能。结果利用社区人群的慢性阻塞性肺痰病资料验诞。基于K近邻的过抽样算法的分类性能 魄会戚少数类过接捞箕法及欠抽样方法瑟强。缝论当医学资辩窭瑗不乎餐孛擎摄酵，赞统分类器懿分类效暴不佳，基予 K近邻的过抽样算法能够获得良好的分类性能，在医学模式识别领域中有较好的应用前景。 【关键词】 Kj胫邻过抽样不平横 医学资料模式识别 模式识别的分类方法在医学领域中已发挥蘅重要 题。 的作用，作为分类和预测的重要方法，其典型应用如疾 嚣瑾与方法 病的分类诊断、癌缨藏的识剃、微阵多j数据翡獒剐分析 等。但是在实际应用中我们可以发现，通常数据集中 1．解决不平衡数据集分类问题的常用途径和评 各类的样本数量是不等的，甚至有着极大的差别，即数 价准煲l 据集存在非平衡的现象。类似的例子很多，如在社区 为了提高少数类的分类性能，不均衡数据集的分 中老年人群中进行慢性病的发病预测筛查，而糖尿病 类问题一般可分为分类器的改进与数据集的改进两种 或冠心病这类慢性病在社嚣入群中的患病率常低子 怨决方案【3】。在实际应用中，更多的是采用后者，主 30％…，因此社区中潜在的发病人群是少数类样本， 要是由于改进的分类器往往限制在某一然数据集中适 大部分人群属于正常人，要正确高效识别出高危人群 震，容易窭现避学习；露不平衡数据的褒象在很多领域 比较困难。这主要是由于样本数量上的严重倾斜，如 中都出现，急需寻找一种更广泛的解决途径。同时许 图l、2所示，图1为平衡的数掇集，正负类数量比较相 多标准分类器或分类算法已经形成相应的工具箱，如 近基边界清楚；匿2为饕平衡翡数据集，正类远逯少于 果再进行改进对于用声来说受l需要花费更多的成本。 负类，且边界不清。因此普通的分类器算法对非平衡 数据集的改进方案中最常用的是重采样技术【4】， 数据集进行分类的性能不尽人意，少数类样本遇常比 可分为欠挞样褥过抽样。欠抽样技术指在谢练集中减 普通样本难以识另n，而且大多数模式识别算法对予处 少多数类的成员，最简单的欠抽样方法是随机地去掉 理少数类样本有很大困难。经过训练的分类器在致力 一些多数类样本来减小多数类的规模，其缺点是将损 于将多数类榉本尽量分类准确对，倾良予忽视少数类， 失大爨有用信怠，影响准确的模穗建立。过抽样技术 然而忽视少数类样本所带来的损失可能比上一种情况 则是在训练集中增加少数类的样本。其优点在于原始 要送远大得多【2】。 数据集的信息不会出现缺失，僵其缺点是溅练集将交 得庞大。 那么如何评价这些改进方案呢?医学实践中我们 经常使用诊断试验的评价指标来进行评价，如灵敏度、 特异度、假阴性率(漏诊率)、阳性预测价值等。表1是 跌总体人群中施槐抽取酶一个撵本，然薏进行诊灏试 验的