经典混合采样方法------BDSK(基于聚类的混合采样)算法总结

        该算法结合Smote过采样算法和基于K-均值的欠采样算法，解决了类内不平衡问题和类间不平衡问题。

        该方法不仅避免了噪声过大的问题，而且解决了样本不足的问题。

一、算法描述

        假设具有多个类的训练数据集是不平衡的，数据集包含m个类{C1，C2，...，Cm}，每个类的大小为{N1，N2，...，Nm}。

        对于多数类：使用K-Means将多数类划分为k个聚类，其中k是类大小的平均值。挑选出k个距离聚类中心点最近的样本作为新数据集。

        对于少数类：首先使用K-Means将少数类划分为两个聚类，将较小的聚类执行SMOTE过采样，生成s个样本到少数类中，一直重复这个过程直至该类大小Ni为k

二、算法步骤

输入：{C1，C2，...，Cm}  and  类大小的均值k

输出：重采样后的新数据集

        该方法利用K-均值实现多数类欠抽样，同时实现类内均衡。从聚类中心选择最近的样本，节省了生成新样本的时间。对于少数类，该方法选择样本分布稀疏的较小聚类，使用Smote过采样，在增加样本数量的同时，实现类内均衡。