基于最小化损失学习的不平衡样本分类方法

摘要

本发明提出了一种基于最小化损失学习的不平衡样本分类方法，采取先使用当前状态的网络对所有训练集进行分类，然后求解损失并对此损失进行优化以达到下一更优状态这一思想，将训练中的评价过程进行变换，不再使用当前状态下神经网络的具体分类结果，而是采用当前输出的概率求解损失的期望值，并对期望值进行优化，这样既可以建立输出和参数与目标间的直接联系，也可以通过优化期望值来增加目标获取更高值的概率。本发明利用不平衡样本分类的评价标准构建了应用于训练集的关于整体F1值的目标函数，再将最大化F1值算法应用到了人工神经网络（ANN）模型中，在不平衡数据集分类算法上取得了一定的成功，其结果通常优于以往的算法。