《表3 七种算法的分类效果（AUC）对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《面向不均衡数据集的过抽样算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了进一步研究CSMOTE算法的性能，在六个数据集上将CSMOTE与Borderline-SMOTE、R-SMOTE、MDSMOTE、improvedSMOTE[17]和文献[7]所提出的两种欠抽样方法（分别简记为UC和UCN）进行比较。除了transfusionM数据集之外，实验所采用的数据集的不均衡比均为2左右，且考虑到CSMOTE算法选择参与合成样本的条件过于苛刻，如果过抽样的倍数Rate设置过大可能会产生冗余样本降低算法的效率，所以过抽样的倍数Rate设置为1。CSMOTE在簇中随机选择参与合成新样本，但是难以保证一次就选到符合条件的样本，为了合成足够的新样本，同时考虑到时间成本，文中实验将重复选择的次数T设置为当前簇中样本个数。CSMOTE聚类参数为2.3节调优所得k=7，实验所采用的分类器是以决策树为基分类器的bagging。实验中为保证结果的准确性，采用十折交叉验证法，将数据集平均分为10份，然后依次选择其中1份作为测试集，其余9份作为训练集，该过程重复10次。实验结果如图5所示，不同算法在6个数据集上AUC的均值如表3所示。