1、機(jī)器學(xué)習(xí)在數(shù)據(jù)時(shí)代得到了迅速的發(fā)展，而其中的分類問(wèn)題更是重點(diǎn)研究?jī)?nèi)容。傳統(tǒng)的分類算法通常假設(shè)訓(xùn)練樣本集中每類樣本的數(shù)目相等，且各類別的錯(cuò)分代價(jià)相同，但實(shí)際應(yīng)用問(wèn)題大多屬于代價(jià)敏感問(wèn)題。在這些問(wèn)題中，通常少數(shù)類樣本應(yīng)該獲得更多的關(guān)注。換句話說(shuō)，少數(shù)類樣本的錯(cuò)分代價(jià)遠(yuǎn)遠(yuǎn)高于多數(shù)類樣本的錯(cuò)分的代價(jià)。本文針對(duì)二分類問(wèn)題展開(kāi)研究，采用平衡級(jí)聯(lián)的策略解決數(shù)據(jù)的不平衡問(wèn)題，同時(shí)將代價(jià)敏感學(xué)習(xí)融入到稀疏表示分類和協(xié)同表示分類算法中，提出相應(yīng)的代價(jià)敏感學(xué)

2、習(xí)算法。
　　本研究主要內(nèi)容包括：⑴改進(jìn)平衡級(jí)聯(lián)的稀疏表示分類算法(BC-SRC)。對(duì)于類別不平衡分類問(wèn)題，采用平衡級(jí)聯(lián)采樣策略獲得平衡化的訓(xùn)練樣本，并利用稀疏表示分類算法進(jìn)行分類。具體地，對(duì)于一組類別不平衡的訓(xùn)練樣本，每次選擇與少數(shù)類樣本個(gè)數(shù)相同的多數(shù)類樣本一同作為子訓(xùn)練集，不重復(fù)的多次選擇子訓(xùn)練集使訓(xùn)練集中的多數(shù)類樣本全部被取出過(guò)，并利用稀疏表示分類算法對(duì)藥品進(jìn)行預(yù)測(cè)。最后，根據(jù)得到的多組結(jié)果采用加權(quán)策略得到測(cè)試樣本的最終類別

3、屬性，并在藥品的近紅外光譜數(shù)據(jù)上驗(yàn)證了該算法的有效性。⑵改進(jìn)代價(jià)敏感的稀疏表示分類算法(CSSRC)。將代價(jià)敏感學(xué)習(xí)引入到稀疏表示分類算法中，并利用概率估計(jì)模型估計(jì)樣本錯(cuò)分的后驗(yàn)概率作為誤分代價(jià)。由于稀疏表示系數(shù)的大小反映該樣本在對(duì)未知樣本線性表示中所起到的作用，因此本文利用稀疏表示系數(shù)估計(jì)樣本的錯(cuò)分后驗(yàn)概率，有效的解決了稀疏表示分類算法對(duì)類別不平衡問(wèn)題的敏感性，還可以降低算法計(jì)算復(fù)雜度。⑶改進(jìn)代價(jià)敏感的協(xié)同表示分類算法(CSCRC)。