基于Bootstrap方法最大熵优化过采样算法

随着数据时代的到来，非平衡数据的分类问题受到越来越多的关注。在非平衡数据的分类问题中，往往因为少数类样本与多数类样本比例失衡而导致分类结果错误。因此，提出了一种在最大熵原理下基于自助法（Bootstrap method）的过采样算法。首先，通过自助法获得数据样本的概率分布，并用最大熵原理对概率分布进行优化；其次，根据少数类生成新的少数类的能力不同，提出基于少数类样本分布的概率增强算法。该算法使数据随机性得到了充分体现，保证了少数类样本的概率密度在数据集平衡前后保持一致性，从而提高分类算法的有效性；最后，通过从UCI和KEEL数据库选取8组数据进行实验，实验结果表明所提出的新算法比现有的其他算法更有效。