导　　师： 陈琼

授予学位： 硕士

作　　者： (）;

机构地区： 华南理工大学

摘　　要： 在机器学习研究领域,对不平衡的数据建立分类模型一直都是难题,因为模型会偏向于多数类样本的特征,使少数类样本很难被识别。从数据挖掘的角度,尽管少数类样本比较罕见,但其可能带有更多有价值的重要信息,因而少数类样本通常是一个更重要的群体。传统的不平衡分类算法在数据分布极度不平衡时可能会失效,并且不能适用更普遍的不平衡分类场景。因此,本文提出基于深度增强学习的通用模型以解决不平衡分类问题。本文具体工作如下:(1)从理论上分析了深度增强学习算法用于不平衡分类的可行性,其基本出发点就是设计回报函数和交互规则,使智能体更加关注少数类样本,并从不断积累的回报中学习不平衡分类的策略。(2)提出了基于DQN(Deep Q Network)的不平衡分类模型DQNImb,主要包括模拟环境的构建,智能体与环境交互规则的定义和回报函数的设计。对于不平衡数据分类,回报函数对少数类样本分类动作给予相对较高的奖励和惩罚,使智能体对少数类样本更为关注。(3)通过理论分析和多组实验深入研究了基于DQN的不平衡二分类模型,分析了模型的优越性和鲁棒性、分类策略的收敛性、回报函数的合理性、模型训练的可靠性。实验结果表明本文模型的分类性能优于其他不平衡分类算法,在数据分布极度不平衡时也能有较好的泛化能力。(4)将基于DQN的不平衡分类模型应用至不平衡多分类问题。实验结果表明,本文的模型也可有效地解决不平衡多分类问题。

关 键 词： 深度增强学习 不平衡分类 分类策略 回报函数

领　　域： []