计算机工程与应用

作者：孟东霞, 姚怡帆, 杨旌

单位：河北金融学院 金融科技学院，河北 保定 071051；

关键词：不平衡数据,自然最近邻,微簇,欠采样,集成学习

基金：河北省金融科技应用重点实验室开放课题（2024005）；河北省教育厅青年基金（QN2024200）。

集成欠采样是解决类别不平衡问题的有效途径，部分方法因损失多数类关键信息或破坏内部分布结构而影响性能。为充分保留多数类分布结构并提升少数类识别精度，提出在Boosting框架下从多数类微簇中动态采样的不平衡数据集成分类算法。利用自然最近邻构建多数类微簇，依据样本分布自适应确定各微簇采样数量，进而结合采样权重选取多数类样本，与少数类共同训练初始基分类器。在后续迭代中，根据上一轮分类结果动态更新微簇采样配置，重新选择样本训练新的基分类器，最终通过加权集成获得强分类器。在22个数据集上与4种经典欠采样方法（随机欠采样、Cluster Centroid等）及8种主流集成欠采样方法（Self-paced Ensemble、CusBoost、Equalization Ensemble等）进行了对比实验，所提方法在F1-score、G-mean和AUC指标上均展现出更优性能。

来源：2026年第6期

《计算机工程与应用》期刊编辑部

查看计算机工程与应用杂志2026年第6期