人工智能的不平衡数据集异常点抽样算法

摘要

针对传统抽样算法在不平衡数据集抽样时存在抽样准确度较低,耗时较长等问题,提出人工智能的不平衡数据集异常点抽样算法.结合人工智能技术,修整弱分类器的不足;通过架构预测集合及其相应权值,获取抽样算法的决策表达式;根据合并得到的损失函数,获取逐点损失函数表达式;将损失函数通过二阶泰勒展开,获取理想化预设条件与权值更新结果;对初始种群实施遗传操作后,将抽样结果作为样本集,利用聚类算法得到分类中心代替原始种群;依据最佳异常点抽样结果完成自适应调整,并采用编码矩阵对所有聚类中心进行重构,通过类内与类间距离的求解,完成异常点的交叉操作,使异常点抽样算法得以实现.仿真结果表明,所提算法具有较好的自适应性与较高的异常点抽样精准度,有效降低了抽样的复杂度.