三種用于垃圾網(wǎng)頁檢測的隨機欠采樣集成分類器

　　針對垃圾網(wǎng)頁檢測過程中輕微的不平衡分類問題，提出三種隨機欠采樣集成分類器算法，分別為一次不放回隨機欠采樣（ RUS-once）、多次不放回隨機欠采樣（RUS-multiple）和有放回隨機欠采樣（RUS-replacement）算法。首先使用其中一種隨機欠采樣技術(shù)將訓(xùn)練樣本集轉(zhuǎn)換成平衡樣本集，然后對每個平衡樣本集使用分類回歸樹（ CART）分類器算法進行分類，最后采用簡單投票法構(gòu)建集成分類器對測試樣本進行分類。實驗表明，三種隨機欠采樣集成分類器均取得了良好的分類效果，其中RUS-multiple和RUS-replacement比RUS-once的分類效果更好。與CART及其Bagging和Adaboost集成分類器相比，在WEBSPAM UK-2006數(shù)據(jù)集上，RUS-multiple和RUS-replacement方法的AUC指標值提高了10%左右，在WEBSPAM UK-2007數(shù)據(jù)集上，提高了25%左右；與其他最優(yōu)研究結(jié)果相比，RUS-multiple和RUS-replacement方法在AUC指標上能達到最優(yōu)分類結(jié)果。