破局失衡：类别不平衡与代价敏感分类的特征选择及算法革新.docx

破局失衡：类别不平衡与代价敏感分类的特征选择及算法革新

一、引言

1.1研究背景与动机

在机器学习和数据挖掘领域，分类任务旨在根据已知的特征将样本划分到不同的类别中。然而，在实际应用中，常常会遇到类别不平衡（ClassImbalance）和代价敏感分类（Cost-SensitiveClassification）的问题，这些问题对传统分类算法的性能和效果提出了严峻挑战。

类别不平衡问题指的是数据集中不同类别的样本数量存在显著差异。在许多现实场景中，这种不平衡现象极为普遍。以医疗诊断领域为例，在疾病诊断任务里，健康样本的数量往往远远超过患病样本。就如在乳腺癌诊断数据集中，可能每1000个