最大化AUC以学习加权朴素贝叶斯以实现不平衡数据分类

不平衡的数据分类是许多实际应用程序中经常遇到的一个具有挑战性的问题.传统的分类算法通常旨在最大限度地提高整体准确性因此其有效性往往受到不平衡数据的阻碍.与其他传统分类器类似朴素贝叶斯NB有时由于对类分布的敏感性而无法预测少数实例.为了应对这一挑战我们提出了RankOptAUCNBRNB这是一种新颖的NB属性加权方法.在所提出的方法中学习加权NB分类器被表述为非线性优化问题目的是最大化ROC下的面积AUC.优化公式使RNB方法能够通过简单地向目标函数添加正则化项来选择重要变量.我们还提供了理论证据证明基于AUC指标所提出的方法提高了加权NB分类器的性能.利用30个真实数据集进行的数值实验结果表明所提方案成功地确定了不平衡数据分类的最优属性权重.