基于邊界混合采樣策略的數(shù)據(jù)均衡方法研究

摘要：針對類不平衡的分類問題，提出了一種新型的數(shù)據(jù)均衡方法。傳統(tǒng)Borderline SMOTE（Borderline Synthetic Minority Oversampling Technique） 方法通過增強邊界少數(shù)樣本的表示能力以平衡樣本空間。但當(dāng)邊緣區(qū)域噪聲較多時，該方法往往無法有效明晰決策邊界；即便加入欠采樣，也難以準(zhǔn)確控制樣本剔除數(shù)量。針對該問題，該研究創(chuàng)新性地在 Borderline SMOTE方法中引入基于邊界的欠采樣機制。該機制分析鄰近樣本的類別分布來識別邊界區(qū)域，對少數(shù)類邊界樣本進(jìn)行 SMOTE 過采樣后，再對邊緣區(qū)域的多數(shù)類樣本實施精準(zhǔn)欠采樣。實驗表明，該策略有效提升了分類器的決策邊界清晰度，并增強了模型在噪聲環(huán)境下的魯棒性。

關(guān)鍵詞：數(shù)據(jù)均衡；機器學(xué)習(xí)；類不平衡問題

中圖分類號：TP391" "文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2025）16-0005-05

開放科學(xué)（資源服務(wù)） 標(biāo)識碼（OSID）

0 引言

數(shù)據(jù)不均衡問題一直是機器學(xué)習(xí)分類任務(wù)中的主要挑戰(zhàn)之一，尤其是在醫(yī)療、金融和工業(yè)等領(lǐng)域。在醫(yī)學(xué)影像分析中，這種偏差可能會導(dǎo)致病灶漏檢，直接影響臨床診斷效果[1]；在金融風(fēng)控領(lǐng)域的欺詐檢測場景中，分類器可能因過度關(guān)注正常交易樣本而忽視少數(shù)類欺詐樣本，導(dǎo)致欺詐行為漏報，給金融機構(gòu)帶來重大經(jīng)濟(jì)損失[2]；在工業(yè)質(zhì)檢的產(chǎn)品缺陷識別任務(wù)中，分類器可能因多數(shù)類的正常樣本的主導(dǎo)地位而降低對少數(shù)類缺陷樣本的識別準(zhǔn)確率，造成次品流入市場，影響產(chǎn)品質(zhì)量[3]。

數(shù)據(jù)不均衡問題的特點是多數(shù)類（負(fù)類） 的樣本數(shù)量往往超過少數(shù)類（正類） ，導(dǎo)致多數(shù)類在整個數(shù)據(jù)集空間上占有更重要的地位。當(dāng)分類器應(yīng)用于不平衡數(shù)據(jù)時，通常會偏向多數(shù)類樣本。這是因為傳統(tǒng)的分類器優(yōu)化目標(biāo)是最小化總體誤差，為了達(dá)到這一目標(biāo)，分類器往往會忽略少數(shù)類的準(zhǔn)確性，從而導(dǎo)致少數(shù)類的預(yù)測效果較差[4]。

常見的數(shù)據(jù)均衡策略主要有兩類。第一類是基于數(shù)據(jù)層面的重采樣方法，通過調(diào)整樣本分布來緩解類別不平衡問題，具體包括：過采樣技術(shù)、欠采樣技術(shù)以及混合采樣。這類方法的優(yōu)勢在于算法通用性強、實現(xiàn)成本低，但可能會引入噪聲樣本或損失有效信息。第二類是基于算法層面的代價敏感學(xué)習(xí)。通過構(gòu)建代價敏感矩陣，考慮不同類樣本被錯誤分類的相對代價，通過最小化誤分類成本達(dá)到算法優(yōu)化的目的，賦予不同類別樣本差異化的誤分類懲罰權(quán)重。雖然理論上能更精準(zhǔn)地平衡分類偏好，但在實際應(yīng)用中常面臨代價矩陣難以量化、超參數(shù)敏感等問題，導(dǎo)致其應(yīng)用范圍受限[5]。

因此，本研究主要采用數(shù)據(jù)采樣方法，通過改進(jìn)均衡策略在支持向量機（Support Vector Machine，SVM） 分類中的應(yīng)用來驗證方法有效性。

1 數(shù)據(jù)和方法

1.1 數(shù)據(jù)描述

本研究使用的 5 組公共數(shù)據(jù)集是從 Kaggle、ADNI 和 UCI 數(shù)據(jù)庫中選擇的，這些數(shù)據(jù)的類別不平衡比（Imbalance Ratio，IR） 為 1.87～14.3，涵蓋低、中、高三種范圍的不平衡情況[6]。表 1為 5 組數(shù)據(jù)集的具體信息，包括樣本個數(shù)、特征個數(shù)和 IR 值。

1.2 數(shù)據(jù)均衡技術(shù)介紹

1.2.1 隨機過采樣和欠采樣

隨機過采樣是通過隨機復(fù)制少數(shù)類樣本來平衡數(shù)據(jù)空間中各類樣本的數(shù)量。該方法簡單易實現(xiàn)，但存在明顯缺陷：首先，數(shù)據(jù)集中出現(xiàn)的重復(fù)樣本會增加模型計算的復(fù)雜程度；其次，過度復(fù)制可能導(dǎo)致模型過擬合，降低泛化能力。Fernández等[7]在 UCI 數(shù)據(jù)集上進(jìn)行測試，實驗表明，隨機過采樣雖然能夠提升少數(shù)類的召回率，但準(zhǔn)確率卻顯著下降。

隨機欠采樣通過隨機刪除多數(shù)類樣本來平衡樣本分布。該方法雖然能緩解類不平衡問題，但會損失有價值的信息，導(dǎo)致模型出現(xiàn)計算偏差。Krawczyk等[8]的研究表明，在高維數(shù)據(jù)集中，隨機欠采樣可能會破壞數(shù)據(jù)的原始分布特征，影響分類性能。

1.2.2 過采樣改進(jìn)方法

為了克服過采樣的不足，研究者提出了多種改進(jìn)方法。

1） SMOTE 方法。通過引入“邊界”信息以避免在密集區(qū)域過度采樣。該方法在少數(shù)類樣本間進(jìn)行線性插值生成新樣本，避免了簡單復(fù)制帶來的過擬合問題。然而，SMOTE 在處理高維數(shù)據(jù)時容易產(chǎn)生噪聲樣本，導(dǎo)致分類性能下降[9]。

2） Borderline SMOTE 方法。通過引入分類器來動態(tài)調(diào)整生成區(qū)域。該方法聚焦于邊界樣本的生成，通過識別“危險”樣本區(qū)域進(jìn)行針對性過采樣。但該方法對噪聲敏感，Zhang等[10]在 UCI 數(shù)據(jù)集上的實驗表明，Borderline SMOTE 在噪聲較多的數(shù)據(jù)集中效果較差。

3） ADASYN 方法。結(jié)合降噪或正則化技術(shù)，優(yōu)化生成樣本的質(zhì)量。該方法根據(jù)樣本分布密度自適應(yīng)生成新樣本，在少數(shù)類樣本稀疏區(qū)域生成更多樣本。He等[11]通過在多個不平衡數(shù)據(jù)集上進(jìn)行實驗，發(fā)現(xiàn) ADASYN 在處理稀疏區(qū)域樣本時表現(xiàn)優(yōu)異，但對噪聲樣本的魯棒性較差。

這些改進(jìn)方法主要通過優(yōu)化少數(shù)類樣本在局部或全局范圍內(nèi)的生成來提升過采樣效果。但這些方法存在一個共性問題：無法有效避免噪聲樣本的生成，尤其是 Borderline SMOTE 方法。在高維數(shù)據(jù)中，邊界識別困難導(dǎo)致生成的新樣本可能偏離真實分布。同時，Borderline SMOTE 生成的樣本往往過度集中于邊界區(qū)域，這會進(jìn)一步加劇決策邊界的模糊性，影響分類器的性能。因此，如何從全局視角優(yōu)化邊界區(qū)域的樣本分布，以提升決策邊界的清晰度，成為一個亟待解決的關(guān)鍵問題。

1.2.3 欠采樣改進(jìn)方法

針對欠采樣中的信息丟失問題，研究者們提出了基于集成學(xué)習(xí)機制的改進(jìn)方法EasyEnsemble。該方法通過隨機劃分多數(shù)類樣本并與少數(shù)類樣本組合，生成多個平衡的子集，每個子集單獨訓(xùn)練一個基分類器，最終通過集成學(xué)習(xí)整合所有基分類器的預(yù)測結(jié)果。由于每個子集都包含不同的多數(shù)類樣本組合，EasyEnsemble在減少多數(shù)類樣本的同時，保留了其多樣性，從而緩解了欠采樣導(dǎo)致的信息丟失問題。

此外，研究者還提出了數(shù)據(jù)清洗技術(shù)，即通過某種規(guī)則清洗重疊數(shù)據(jù)，從而達(dá)到欠采樣的目的。以下為兩種典型方法。

1） Tomek Links方法。Tomek Links是指一對互為最近鄰且類別不同的樣本。這類樣本對通常位于類別邊界區(qū)域或包含噪聲樣本。優(yōu)先保留Tomek Links中邊界清晰的樣本，從而提升分類器的性能。

2） ENN（Edited nearest neighbours） 方法。ENN方法通過刪除多數(shù)類樣本中那些在其[k]個近鄰中一半以上樣本與其標(biāo)簽不同的樣本，達(dá)到去除噪聲和欠采樣的目的。

盡管數(shù)據(jù)清洗技術(shù)能夠有效減少噪聲和重疊樣本，但其最大的局限性在于難以控制欠采樣的數(shù)量。由于多數(shù)類樣本的近鄰大多屬于同一類別，能夠剔除的樣本數(shù)量有限，導(dǎo)致欠采樣效果不夠顯著。

1.2.4 混合采樣

混合采樣是一種綜合過采樣和欠采樣的組合方法，旨在結(jié)合各自的優(yōu)勢，避免單一方法可能帶來的缺陷。常見的混合采樣組合包括SMOTE+Tomek Links與SMOTE+ENN。SMOTE+Tomek Links在生成少數(shù)類樣本后，利用Tomek Links移除類邊界附近的噪聲樣本，適用于邊界不清晰的數(shù)據(jù)集。SMOTE+ENN則在生成樣本后，使用ENN刪除分類錯誤的樣本，適用于噪聲較多或類別重疊較為嚴(yán)重的數(shù)據(jù)集。

1.3 模型的構(gòu)建與實驗設(shè)計

1.3.1 模型構(gòu)建

為解決分類問題中數(shù)據(jù)不均衡的問題，本研究提出了一種基于邊界的混合采樣方法（Borderline SMOTE and Borderline Undersampling，BSMOTE_BU） 。該方法在Borderline SMOTE的基礎(chǔ)上加入了一種基于邊界的欠采樣技術(shù)，旨在增強邊界處少數(shù)樣本的表達(dá)能力，同時減少樣本重疊的可能性。

該方法首先進(jìn)行SMOTE過采樣：將少數(shù)類樣本劃分為三類區(qū)域，分別為Safe區(qū)域（最近鄰中多數(shù)類樣本數(shù)占比低于50%） 、Danger區(qū)域（最近鄰中多數(shù)類樣本超過一半） 和Noise區(qū)域（最近鄰中全為多數(shù)類樣本） 。針對Danger區(qū)域的少數(shù)類樣本，從其近鄰中隨機選擇一個少數(shù)類樣本進(jìn)行線性插值，從而生成新樣本，實現(xiàn)過采樣操作。接著進(jìn)行邊界欠采樣：對每個多數(shù)類樣本計算最近鄰，同理，根據(jù)少數(shù)類樣本在最近鄰中的比例劃分多數(shù)類樣本的三類區(qū)域。僅對屬于Danger區(qū)域的多數(shù)類樣本進(jìn)行欠采樣。通過移除邊界附近的多數(shù)類樣本，減少多數(shù)類樣本對分類邊界的干擾，從而緩解樣本重疊問題。

BSMOTE_BU算法的混合采樣過程可用步驟1～6表示：

步驟1：設(shè)原始數(shù)據(jù)集為[D]，其中：少數(shù)類樣本子集為[Dmin={x1，x2，...，xNmin}]，樣本數(shù)量為[Nmin]；多數(shù)類樣本子集為[Dmaj={y1，y2，...，yNmaj}]，樣本數(shù)量為[Nmaj]。對于任意一個樣本點計算其[k]個鄰居，則少數(shù)類樣本[xi∈Dmin]和多數(shù)類樣本[yj∈Dmaj]的[k]個鄰居分別為[N（xi）]、[N（yj）]：

[N（xi）=argminxs∈D{d（xi，xs）}，s=1，2，...，k]" " " "（1）

[N（yj）=argminyt∈D{d（yj，yt）}，t=1，2，...，k]" " （2）

式中：[d（p，q）]表示計算[p]點和[q]點間的歐氏距離。

步驟2：識別屬于Danger區(qū)域的少數(shù)類樣本。每個少數(shù)類樣本其[k]個鄰居[N（xi）]中多數(shù)類樣本的比例為[R（xi）]，邊界少數(shù)類樣本集合為[Dangermin]：

[R（xi）=|{yj∈N（xi）|yj∈Dmaj}|k]" " " " " （3）

[Dangermin={xi∈Dmin|R（xi）gt;0.5}]" " " " " " （4）

步驟3：生成少數(shù)類樣本。對屬于Danger區(qū)域的每個少數(shù)類樣本點[xi]，從其[k]個鄰居中隨機選擇一個少數(shù)類樣本[xs]，生成新樣本[xnew]：

[xnew=xi+λ?（xj-xi），xi∈Dangermin，λ∈[0，1]]" "（5）

步驟4：識別屬于Danger區(qū)域的多數(shù)類樣本。每個多數(shù)類樣本其[k]個鄰居[N（yj）]中少數(shù)類樣本的比例為[R（yj）]，邊界多數(shù)類樣本集合為[Dangermaj]：

[R（yj）=|{xi∈N（yj）|xi∈Dmin}|k]" " " " " （6）

[Dangermaj={yj∈Dmaj|R（yj）gt;0.5}]" " " " " "（7）

步驟5：移除邊界多數(shù)類樣本，多數(shù)類樣本的新集合為[Dnewmaj]：

[Dnewmaj=Dmaj-Dangermaj]" " " " " "（8）

步驟6：合并新的分類數(shù)據(jù)集[Dnew]：

[Dnew=（Dmin+xnew）+Dnewmaj]" " " " " （9）

1.3.2 模型訓(xùn)練與驗證

本研究使用Borderline SMOTE、ADASYN、EasyEnsemble、Tomek Links、SMOTE+Tomek Links、SMOTE+ENN以及BSMOTE_BU等7種方法對5組數(shù)據(jù)集分別進(jìn)行采樣操作，然后再使用支持向量機作為分類器，驗證模型在不同方法下得到的均衡數(shù)據(jù)集上的表現(xiàn)。

為確保模型的穩(wěn)定性及避免過擬合風(fēng)險，采取十折交叉驗證方法進(jìn)行模型訓(xùn)練。具體來說，將數(shù)據(jù)集[D]隨機劃分為10個大小相等的子集，記為[D1，D2，...，D10]，進(jìn)行10次迭代。每次迭代使用其中9個子集作為訓(xùn)練集，剩下一個子集作為測試集，并記錄測試集上的模型性能（評價指標(biāo)得分） 。完成迭代后，將所有測試集上的評估指標(biāo)取均值，作為模型的最終性能指標(biāo)。

在使用SVM進(jìn)行分類任務(wù)時，徑向基函數(shù)（Radial Basis Function，RBF） 是一種常用的核函數(shù)。一般而言，對于復(fù)雜的分類問題，線性核可能無法有效分離數(shù)據(jù)，而RBF核能夠通過非線性映射找到更好的分類邊界。對于不平衡數(shù)據(jù)，RBF核也可以通過調(diào)整超參數(shù)、調(diào)整類別權(quán)重等方式，有效改善少數(shù)類的分類性能。因此，本研究使用RBF核作為SVM分類器的核函數(shù)。

1.3.3 模型性能評估

1） 曲線下面積（Area under curve，AUC） ：用于衡量分類器在不同閾值下對正負(fù)樣本的區(qū)分能力。AUC的取值范圍為[[0，1]]：當(dāng)[AUC=0.5]時，分類器的性能等同于隨機猜測；當(dāng)[AUC=1]時，分類器能夠完美區(qū)分正負(fù)樣本；當(dāng)[0.5lt;AUClt;1]時，AUC值越接近1，分類器的性能越好。數(shù)學(xué)表達(dá)式如下：

[AUC=01TPR（FPR）d（FPR）] （10）

式中：[TPR=TPTP+FN]，[FPR=FPFP+TN]；TPR為真正例率，F(xiàn)PR為假正例率，TP為真正例，F(xiàn)P為假正例，TN為真負(fù)例，F(xiàn)N為假負(fù)例。

2） 幾何平均（Geometric mean，G-Means） ：是真正例率（TPR） 和真負(fù)例率（TNR） 的集合平均值，用于衡量分類器在正負(fù)樣本上的綜合性能。G-Means的取值范圍為[[0，1]]：當(dāng)[G-Means=0]時，分類器完全無法正確區(qū)分正樣本或負(fù)樣本；當(dāng)[G-Means=1]時，分類器能夠完美區(qū)分所有正樣本和負(fù)樣本；當(dāng)[0lt;G-Meanslt;1]時，G-Means值越接近1，分類器在正負(fù)樣本上的性能越平衡。數(shù)學(xué)表達(dá)式如下：

[G-Means=TPR×TNR] （11）

式中：[TNR=TNTN+FP]。

2 實驗結(jié)果與分析

2.1 模型性能

本研究使用SVM模型對5組原始（Original） 和均衡后的數(shù)據(jù)集進(jìn)行分類，結(jié)果顯示BSMOTE_BU方法在各數(shù)據(jù)集上均表現(xiàn)出顯著優(yōu)勢，如圖1與表2所示。具體而言，BSMOTE_BU方法在PIMA、Wine Quality、Credit Card、ADNI和Yeast數(shù)據(jù)集上的AUC值分別為0.918、0.811、0.891、0.986和0.968，均高于其他對比方法。

此外，BSMOTE_BU的G-Means值在各個數(shù)據(jù)集中均為最高，分別達(dá)到了0.842（PIMA） 、0.735（Wine Quality） 、0.700（Credit Card） 、0.967（ADNI） 和0.893（Yeast） ，進(jìn)一步證明了該方法在多數(shù)類和少數(shù)類樣本上的平衡分類能力。

如圖2所示，各均衡方法下，5組數(shù)據(jù)集相對于未實施均衡方法（Original） 前的性能提升效果。結(jié)果表明，使用均衡方法后，每個數(shù)據(jù)集的分類效果都有所提升。特別是Credit Card數(shù)據(jù)集，均衡前AUC小于0，G-Means為0，分類器無法對不同類別進(jìn)行識別；而均衡后，除了Tomek Link方法外，其余方法的識別效果均大幅度提升，AUC提升范圍達(dá)到18.0%～41.9%，G-Means最高可達(dá)70.0%。此外，在所有的均衡方法中，BSMOTE_BU方法性能提升最高，其次是EasyEnsemble方法。Borderline SMOTE、SMOTE+Tomek Links、SMOTE+ENN和ADASYN四種方法的性能提升相對接近，而Tomek Links方法表現(xiàn)最差。

將5類數(shù)據(jù)集按照IR值分別劃分為低、中、高不平衡數(shù)據(jù)集，對比BSMOTE_BU方法和次優(yōu)EasyEnsemble方法在不同IR下對分類性能的提升效果：

1） 低不平衡率數(shù)據(jù)集（PIMA和Wine Quality） 。BSMOTE_BU方法在兩個數(shù)據(jù)集上的AUC分別為0.918和0.811，G-Means分別為0.842和0.735。與直接使用原始數(shù)據(jù)集進(jìn)行分類相比，AUC增加了9.9%和4.3%，G-Means提高了19.1%和73.5%。在EasyEnsemble方法中，兩個數(shù)據(jù)集的AUC和G-Means分別提升了3.7%～4.3%和3.7%～9.3%。

2） 中不平衡率數(shù)據(jù)集（Credit Card和ADNI） 。在Credit Card數(shù)據(jù)集中，BSMOTE_BU方法的AUC和G-Means相較于不適用均衡方法前分別提升了41.9%和70%。同時，BSMOTE_BU方法的G-Means結(jié)果與EasyEnsemble方法持平，但AUC結(jié)果高出8.8%。BSMOTE_BU方法在ADNI數(shù)據(jù)集上的AUC比原始數(shù)據(jù)高9%，比EasyEnsemble方法高2%；G-Means分別提升了47.6%和4.2%。

3） 高不平衡率數(shù)據(jù)集（Yeast） 。BSMOTE_BU在Yeast數(shù)據(jù)集上的AUC值為0.968，G-Means為0.893，比原始數(shù)據(jù)集分別提升18.8%和89.3%，比EasyEnsemble方法提升2%和2.5%。

總的來說，BSMOTE_BU通過邊界混合采樣策略，在各類不平衡率數(shù)據(jù)集上均能顯著提升分類性能，且與次優(yōu)方法EasyEnsemble相比，其穩(wěn)定性和泛化能力均更優(yōu)。

2.2 實驗結(jié)果的討論

在本研究中，通過比較7種不同的數(shù)據(jù)均衡方法，可以觀察到這些方法對模型的分類性能產(chǎn)生了不同程度的影響。總體上，施加均衡方法后的SVM對少數(shù)類樣本的識別能力均有提升。特別地，BSMOTE_BU方法在所有測試數(shù)據(jù)集中均表現(xiàn)最佳，不僅在整體判別性能（AUC） 上高于其他方法，而且G-Means評分也顯示了其在提升少數(shù)類樣本召回率上的優(yōu)勢，為類不平衡問題提供了更優(yōu)的解決方案。然而，該方法仍然存在一定的局限性。

1） 樣本量限制。本研究所測試的數(shù)據(jù)集樣本量普遍偏小，特別是在高度不平衡（[IRgt;9]） 的數(shù)據(jù)集中，少數(shù)類樣本數(shù)量有限。由于新生成的樣本是通過現(xiàn)有的少數(shù)類樣本插值得到，較少的點難以準(zhǔn)確反映整體數(shù)據(jù)的分布，這可能導(dǎo)致模型在未見過的數(shù)據(jù)上泛化能力不佳。此外，由于少數(shù)類樣本數(shù)量少，每個樣本點在數(shù)據(jù)集中會占據(jù)更大的權(quán)重，單個樣本的異常值或噪聲會對模型產(chǎn)生顯著影響。在這種情況下，即使是輕微的采樣誤差也可能導(dǎo)致模型性能顯著波動。

2） 多分類問題適應(yīng)性。BSMOTE_BU方法主要關(guān)注增強多數(shù)類和少數(shù)類樣本之間的區(qū)別，這在二分類問題中被證實非常有效。然而，在多分類問題中需要處理多個類之間的相互關(guān)系，僅僅強化一個類與其他類的邊界是不夠的。多分類問題中，每個類都可能同時是其他多個類的“少數(shù)類”。并且在多分類環(huán)境中，類的邊界可能不如二分類清晰。因此，增加新的邊界樣本可能會加劇類間的重疊，特別是那些本來就難以區(qū)分的類別。

3） 參數(shù)敏感性。BSMOTE_BU方法依賴于KNN算法來劃定[k]近鄰區(qū)域，其核心參數(shù)是鄰居數(shù)[k]的選擇。由于鄰居數(shù)值的敏感性，過小的[k]值會導(dǎo)致模型對噪聲數(shù)據(jù)過于敏感，把噪聲錯誤地當(dāng)做邊界樣本進(jìn)行處理；而過大的[k]值則可能使模型無法精確地識別真正的樣本邊界，從而忽略了關(guān)鍵的少數(shù)類樣本。在實際應(yīng)用中，鄰居數(shù)[k]值的確定往往需要依賴具體的數(shù)據(jù)集和實驗經(jīng)驗，缺乏普適性。

4） 噪聲影響。雖然BSMOTE_BU方法通過邊界混合采樣策略減少了少數(shù)類和多數(shù)類之間的重疊，但其性能提升并非沒有代價。該方法過度依賴于邊界定義。如果邊界區(qū)域的噪聲較多，新生成的少數(shù)類樣本很可能包含錯誤信息，從而導(dǎo)致模型過擬合。此外，基于KNN的欠采樣策略也可能引入干擾，進(jìn)一步影響模型的泛化能力。

3 結(jié)論

3.1 研究總結(jié)

本研究開發(fā)了一種基于邊界的混合采樣方法BSMOTE_BU，經(jīng)過多個數(shù)據(jù)集的實驗驗證，并與現(xiàn)有數(shù)據(jù)均衡方法以及未使用任何采樣技術(shù)的分類結(jié)果進(jìn)行對比，發(fā)現(xiàn)BSMOTE_BU在提升分類器性能方面表現(xiàn)最為突出。實驗證明，BSMOTE_BU顯著提高了分類器對少數(shù)類樣本的識別能力，同時有效降低了誤分類率，并增強了模型的穩(wěn)定性。相較于其他方法，BSMOTE_BU在AUC和G-Means指標(biāo)上均取得了最優(yōu)結(jié)果，證明了其在處理類別不平衡問題中的優(yōu)越性和必要性。

盡管BSMOTE_BU方法仍然存在一定局限性，但其通過結(jié)合邊界過采樣和欠采樣的策略，顯著提升了分類器在各類不平衡數(shù)據(jù)集上的性能。未來研究可以進(jìn)一步優(yōu)化分類策略和開發(fā)自適應(yīng)參數(shù)選擇方法，以增強方法的普適性和實用性。總體而言，BSMOTE_BU為處理類別不平衡問題提供了一種更為有效的工具，具有廣泛的應(yīng)用前景。

3.2 未來工作展望

為了進(jìn)一步提升模型的可靠性和實用性，未來的研究可以從以下幾個方面進(jìn)行擴展。

1） 增強樣本多樣性。為了應(yīng)對小樣本數(shù)據(jù)集帶來的挑戰(zhàn)，可以采取多種樣本合成技術(shù)，不僅僅局限于線性插值。例如，可以結(jié)合少數(shù)類樣本的非線性變換，引入生成對抗網(wǎng)絡(luò)（GAN） 或變分自編碼器（VAE） 等生成模型，捕捉并模擬潛在的數(shù)據(jù)分布，合成更具代表性的少數(shù)類樣本。

2） 改進(jìn)多分類策略。對于多分類問題，可以開發(fā)一種層次化的采樣策略，該策略針對每個類別分別進(jìn)行邊界分析和樣本合成。因此，可以引入基于類別敏感度的權(quán)重調(diào)整，根據(jù)每個類別的實際需要動態(tài)調(diào)整過采樣和欠采樣的比例，從而平衡各個類別之間的影響，減少多類間的重疊。

3） 自適應(yīng)參數(shù)選擇。為了減少KNN中[k]值選擇的隨意性以及避免依賴經(jīng)驗，可以開發(fā)自適應(yīng)算法確定最優(yōu)的鄰居數(shù)[k]值。可以通過交叉驗證和網(wǎng)格搜索的方式，自動調(diào)整鄰居數(shù)[k]值和其他超參數(shù)，結(jié)合模型的性能指標(biāo)來評估不同參數(shù)組合下的模型表現(xiàn)，選擇最優(yōu)參數(shù)。

4） 降低過擬合風(fēng)險。為了減少過擬合和對噪聲的敏感性，可以在采樣前后引入噪聲過濾和異常值檢測步驟。使用統(tǒng)計測試或基于密度的方法識別并剔除噪聲和異常值，保證僅對“干凈”的數(shù)據(jù)進(jìn)行采樣處理。此外，可以采用正則化技術(shù)來減少模型對特定樣本的依賴，增強模型的泛化能力。

5） 集成學(xué)習(xí)和模型融合。不同采樣方法可能在不同類型的數(shù)據(jù)集上表現(xiàn)各異，可以考慮采用集成學(xué)習(xí)方法融合多種采樣策略的優(yōu)勢。例如，可以將BSMOTE_BU與其他非邊界依賴的采樣方法結(jié)合，通過投票或加權(quán)的方式綜合不同模型的預(yù)測結(jié)果，從而提升整體的分類性能。

參考文獻(xiàn)：

[1] RAWAT S S，MISHRA A K.Review of methods for handling class imbalance in classification problems[M]//Data Engineering and Applications.Singapore：Springer Nature Singapore，2024：3-14.

[2] GUPTA P，VARSHNEY A，KHAN M R，et al.Unbalanced credit card fraud detection data：a machine learning-oriented comparative study of balancing techniques[J].Procedia Computer Science，2023（218）：2575-2584.

[3] REN Z J，LIN T T，F(xiàn)ENG K，et al.A systematic review on imbalanced learning methods in intelligent fault diagnosis[J].IEEE Transactions on Instrumentation and Measurement，2023，72：3508535.

[4] HE H，GARCIA E A.Learning from imbalanced data[J]. IEEE Transactions on Knowledge and Data Engineering，2009，21（9）：1263-1284.

[5] KRAWCZYK B，WO?NIAK M，SCHAEFER G.Cost-sensitive decision tree ensembles for effective imbalanced classification[J].Applied Soft Computing，2014（14）：554-562.

[6] GARCíA S，HERRERA F.Evolutionary undersampling for classification with imbalanced datasets：proposals and taxonomy[J].Evolutionary Computation，2009，17（3）：275-306.

[7] FERNáNDEZ A，GARCíA S，GALAR M，et al.Learning from Imbalanced Data Sets[M].Cham：Springer International Publishing，2018.

[8] KRAWCZYK B.Learning from imbalanced data：open challenges and future directions[J].Progress in Artificial Intelligence，2016，5（4）：221-232.

[9] DOUZAS G，BACAIO F，F(xiàn)ONSECA J.Improving SMOTE with Data Augmentation and a Diversified Ensemble[J].Expert Systems with Applications，2021（168）：1-11.

[10] ZHANG Y，LI X，ZHANG Y.An Improved Borderline-SMOTE Algorithm for Imbalanced Data Classification[J].IEEE Access，2020（8）：123123-123132.

[11] HE H B，BAI Y，GARCIA E A，et al.ADASYN：Adaptive synthetic sampling approach for imbalanced learning[C]//2008 IEEE International Joint Conference on Neural Networks （IEEE World Congress on Computational Intelligence）.IEEE，2008：1322-1328.

【通聯(lián)編輯：唐一東】