在數(shù)據(jù)挖掘領(lǐng)域中，通常以分類精度作為分類算法效果的評估標(biāo)準(zhǔn)。這一標(biāo)準(zhǔn)是建立在假設(shè)任意一實例被誤分類為任意類時都具備同樣代價的基礎(chǔ)上的。當(dāng)此假設(shè)不成立時，直接使用傳統(tǒng)分類方法就無法取得良好的分類和預(yù)測效果。針對這一問題，通過改進(jìn)編解碼方法以及在適應(yīng)度函數(shù)中集成樣本的不同誤分類代價，提出了一種基于基因表達(dá)式程序設(shè)計的代價敏感分類算法(CSC-GEP)，并在三個UCI數(shù)據(jù)集上對該算法進(jìn)行了測試，實驗結(jié)果表明CSC-GEP是一種有效的代價敏感分類算法。
關(guān) 鍵 詞 分類; 代價敏感; 誤分類代價; 基因表達(dá)式程序設(shè)計

In data mining reseach, the classification algorithms generally pursue more highly accuracy. It is based on the assumption that all misclassifications have the same cost. However, the assumption is not correct in the real world, so that the normal classification algorithms do not perform well. By improving the encode/decode methods and taking different misclassification cost into account, this paper concerns a new cost-sensitive algorithm called CSC-GEP based on Gene Expression Programming (GEP). The experimental results show that the new algorithm is effective.
Key words classification; cost-sensitive; cost of misclassification; gene expression programming

在數(shù)據(jù)挖掘中，分類的任務(wù)通常是建立一個期望誤分類數(shù)量最小的分類器，比較典型的例子如C4.5的決策樹算法，在傳統(tǒng)上都是基于分類錯誤具有相同的代價的假定上的。而在現(xiàn)實中，不同的分類錯誤通常會導(dǎo)致不同的代價。以UCI數(shù)據(jù)集中的Heart disease數(shù)據(jù)集為例，錯誤地將健康的人分類為患病的代價僅僅是使健康的人接受更多的檢查，但如果將患病的人分類為健康，則有可能延誤病人的治療。很明顯，第二種錯誤分類會令使用者付出遠(yuǎn)比第一種錯誤分類更大的代價。仍以Heart disease數(shù)據(jù)集為例，在這一數(shù)據(jù)集上建立分類器的目的是為了檢測出患病的就診者。對某一特定疾病而言，可能存在的情況是全部就診者中僅有極少數(shù)是患病者，則在最糟糕的情況下，使用傳統(tǒng)分類方法產(chǎn)生的分類器只需要犧牲全部患病者的實例作為誤分類即可獲得一個在傳統(tǒng)意義上的高精度分類結(jié)果。但此時這個分類器也就喪失了存在的意義。因此在處理誤分類代價不統(tǒng)一的數(shù)據(jù)集時，單純地以分類精度作為分類器的評估標(biāo)準(zhǔn)就變得不恰當(dāng)了。一種合理的解決方法是以代價敏感(Cost Sensitive Classification，CSC)的分類取代精度敏感的分類。
本文通過在GEP的適應(yīng)度函數(shù)中加入代價矩陣，提出了基于基因表達(dá)式編程的代價敏感分類算法CSC-GEP。通過在UCI數(shù)據(jù)集中的Heart disease數(shù)據(jù)集、Sick數(shù)據(jù)集和Credit數(shù)據(jù)集上的分類算法與傳統(tǒng)算法進(jìn)行實驗對比，結(jié)果證明CSC-GEP是一種有效的代價敏感分類算法。