基于特征转换和少数类聚类的微生物数据扩增算法

摘要

微生物数据的高维、高零值率特性及少数类样本稀缺导致的类别不平衡，显著降低了分类器的少数类识别能力，而现有扩增算法对高不平衡比(IR)敏感且难以有效合成样本。针对此问题，提出了一种基于特征转换和少数类聚类的微生物数据扩增算法(FTMC)。首先，该算法在特征转换阶段采用主成分分析算法对高维数据进行降维，以缓解数据强稀疏性问题；其次，在少数类聚类阶段，使用K-means算法捕捉少数类的局部特征，获得多个聚类；再次，在聚类筛选阶段，基于每个聚类的密度和难度，结合IR和权重比来计算其权重值，并以此筛选出核心聚类子集，用于后续样本生成；最后，在样本扩增过滤阶段，利用线性插值算法，对筛选后的每个核心聚类进行样本扩增，并使用局部异常因子算法过滤异常点，确保扩增样本的质量。在12个微生物数据集上进行实验，并在3个分类器下对比8个同类型采样算法的性能，结果表明：FTMC生成的样本更具多样性，在Recall指标上平均提高了26.42%,证明该算法能正确识别更多的阳性样本。

关键词

微生物数据 / 高维 / 稀疏 / 类别不平衡 / 聚类 / 数据扩增