类别不平衡问题是机器学习和数据挖掘等领域中主要关注的问题之一。特别是近些年来,随着互联网的日渐普及和大数据时代的到来,使类别不平衡问题成为了一个炙手可热的课题。通俗而言,类别不平衡问题指的是:在同一个数据集中,当一个或者多个类的样本数量远多于或远少于其它类时,就会出现类别不平衡问题。类别不平衡问题的出现给传统的分类模型造成了极大地冲击。经过科研人员孜孜不倦的努力,目前已有多种有效的算法被提出。虽然这些算法在某些程度上解决了类别不平衡问题,但是它们要么忽略了噪声点影响,要么不能适应样本的不同分布特点,因而均有一定的局限性。鉴于上述问题,本文将从样本采样的角度去解决类别不平衡问题,工作的重心放在“如何合理的去除样本中的噪声点”和“根据样本的具体分布特点来对其进行区域划分并分配不同的采样策略”。具体的研究内容可概括为以下两个方面:(1)从样本采样技术的角度去解决类别不平衡问题时,无论是过采样还是降采样都面临一个重要的问题:如何去除样本中的噪声点。本文采用的是过采样技术,去除噪声点的工作更是变得极为重要。因为一旦噪声点不能被识别并去除,会对采样过程造成极大的影响:合成出的新样本分布会受到噪声信息的影响,导致噪声进一步扩大,最后导致分类模型性能下降。本文利用高斯混合模型拟合样本的概率密度,然后分别根据样本在自身类别和在其它类别中所拟合出的概率密度相对大小来判断该样本是否为噪声点。若是,则去除该样本。实验的各项测度表明,本文提出的去噪算法更能有效的去除样本中的噪声点。(2)去噪过程完成以后,接下来即是自适应采样。首先用高斯混合模型对净化后的少数类样本进行拟合,得到各个样本的概率密度,按照从大到小排序后截取部分概率密度较大的样本命名为“安全样本”;然后将剩下的样本全部放入多数类样本中重新拟合,得到新的概率密度。按照从大到小排序后截取部分概率密度较大的样本命名为“边界样本”,剩下的全部命名为“离群样本”。这三部分样本无一重复,且实验中均设定相应的阈值。最终根据这三部分样本分布特点,采用相适应的采样算法参数来进行采样。