《表2 类不平衡和平衡数据集上的XGBoost性能》

  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

《一种基于SMOTE和XGBoost的窃电检测方案》

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

从图6可以看出，虽然RF和LR所用时间短，但结合图4、图5后发现精确率、召回率及F1得分3项评价指标上都低于XGBoost和GBDT，而XGBoost在检测正常用户方面虽然与GBDT性能接近，但其时间复杂度显著低于GBDT，体现出XGBoost模型多线程并行计算的速度优势。从图4、图5观察到针对不同模型的各项评价指标，在正常用户和窃电用户之间产生了矛盾的结果，这是因为尽管精度很高，但由于数据集不平衡，该模型不能很好地对负样本数据进行分类。因此采用SMOTE算法生成与真实窃电样本分布相似的合成样本，再使用新数据集对模型进行训练。如表2所示，窃电用户的精确率、召回率和F1得分3项指标及平均准确率大幅度提高，正常用户检测精度的降低也在可接受范围内，验证了本文所提出的解决数据类不平衡的方案的有效性。