一种针对非均衡数据的层次化赋权分类方法及系统

摘要

本发明提出了一种针对非均衡数据的层次化赋权分类方法及系统，包括：类内子概念簇权重学习步骤：对训练样本进行层次聚类，根据聚类结果中各簇包含的样本数量计算各簇的样本权重，以使各子概念簇的数量权重总和保持一致并计算各子概念簇的类内权重；全局权重归一化步骤：根据一定的类间权重比率，将类内权重归一化至全局权重，并以此构建带权重的支持向量机作为分类器，利用该分类器对输入的带识别的非均衡数据进行分类。该方法能够提高样本数量少以及距离分类面近的子概念的学习权重，从而既提高了少数类的召回率又减少了其假阳性率，保证整体的综合性能。