學習筆記，僅供參考，有錯必糾
資料探勘(data mining)是從大量無結構化的、處於不規則狀態的資料中搜尋隱藏於其中的存在某種關聯資訊的過程。機器學習(machine learning)是當前最為流行和有效的進行資料探勘的人工智慧方法。
其中分類(classification)是監督學習的乙個核心問題，即對帶有類別標記的訓練樣本資料進行訓練，從待測資料特徵尋找到類別標記間的某種線性或非線性的規律和聯絡，然後根據向量特徵相似的原則，把資料集中的測試樣本歸結到已知特徵的訓練樣本類中。
從機器學習的角度上歸納，分類學習的具體過程包含訓練學習和分類驗證兩個階段：
機器學習中的不平衡問題
從少數類sm in中抽取資料集 e 取樣的數量要大於原有少數類的數量，最終的訓練集為sm aj e 對於少數類中每乙個樣本 x 以歐氏距離為標準計算它到少數類樣本集sm in中所有樣本的距離，得到其k近鄰。根據樣本不平衡比例設定乙個取樣比例以確定取樣倍率n，對於每乙個少數類樣本x，從其k近鄰中隨機選...
不平衡分類問題處理方法
問題描述 工作中處理分類問題時，很多情況是多個分類類別的資料分布不平衡，有的類別的資料量可能遠小於其他類別。並且在實驗中發現，進行分類模型訓練時，各類別的資料比例不同對最終模型分類效果的影響很大。解決方法 對於這類問題，主要從資料和學習兩個角度進行處理。訓練集大小，類優先順序，誤分代價幾個重要影響因...
不平衡資料分類方法總結
傳統的分類演算法在面向不平衡資料時，效果一般，尤其是對少數類的判斷準確率很低，而現實生活中少數類往往是比多數類更有價值的。例如，網路安全 中，可能1000次通訊只有幾次是真的網路攻擊，但是將正常通訊判斷為攻擊和將攻擊判斷為正常通訊帶來的後果是完全不同的，我們其實更在意判斷是網路攻擊的準確率。針對不平...