基于多层模糊C均值聚类与最小层间差异的包络不平衡学习算法

不平衡学习重要且具有挑战性，因为不平衡数据集的分类问题在机器学习和数据挖掘领域十分普遍。采样方法被提出以应对该问题，而基于聚类的过采样方法因旨在同时解决类间与类内不平衡问题而展现出巨大潜力。然而，所有现有聚类方法均基于一次性方式。由于缺乏先验知识，常存在聚类数设置不当，导致聚类性能不佳。此外，现有方法易生成噪声样本。为解决这些问题，本文提出一种基于深度实例包络网络的不平衡学习算法，采用多层模糊C均值（MlFCM）与基于最大均值差异的最小层间差异机制（MIDMD）。该算法可在无先验知识情况下，利用深度实例包络网络保证高质量平衡样本。实验部分使用三十三个流行公开数据集进行验证，并与十余种代表性算法比较。实验结果表明，所提方法显著优于其他流行方法。