一种基于ACO的代价敏感集成分类器 (2010年)

提出了一种自适应代价优化算法ACO，利用“登山式”方法查找最适合重采样数据子集的最优误分类代价值用于建立基分类器，克服了固定式误分类代价不尽科学和客观的缺点，利用重采样技术实现了数据集样本不足时的分类器训练。通过“投票”方式对原始数据集中的实例重新标记类标，学习得到一个适应于类分布不均衡数据集的自适应的集成分类器。实验证明，用自适应代价优化算法实现的分类器在类分布不均衡的数据集上的分类性能明显优于CSC，MetaCost和naive Bayes等建立的分类器。