来源：期刊VIP网 时间：
作者：杜睿山;靳明洋;孟令东;宋健辉;
单位：东北石油大学计算机与信息技术学院;东北石油大学黑龙江油气藏及地下储库完整性评价重点实验室;
摘要：针对人工少数类过采样(synthetic minority over-sampling technique, SMOTE)算法存在样本合成区域狭小，容易将少数类泛化到多数类及引入噪声的问题，提出一种基于噪声过滤、边界点自适应采样的过采样算法。首先，该算法使用K近邻算法进行噪声过滤，接着确定边界点并在边界点中寻找合适的点作为根样本点，并以其K近邻点中与其同类且欧氏距离最远的点作为候选样本点。然后，根据根样本点所携带的边界信息确定该点所合成的样本数量，并根据根样本点和候选样本点生成一个N维球体作为样本的合成区间。最后，对合成样本进行判断以确定其是否满足条件。通过实验证明，该算法生成的样本质量要优于SMOTE及其常见变种算法。
关键词：SMOTE;;KNN;;过采样算法;;数据不均衡;;ISMOTE
基金资助：黑龙江省自然科学基金项目(LH2021F004)
