在數(shù)據(jù)挖掘領(lǐng)域中，通常以分類(lèi)精度作為分類(lèi)算法效果的評(píng)估標(biāo)準(zhǔn)。這一標(biāo)準(zhǔn)是建立在假設(shè)任意一實(shí)例被誤分類(lèi)為任意類(lèi)時(shí)都具備同樣代價(jià)的基礎(chǔ)上的。當(dāng)此假設(shè)不成立時(shí)，直接使用傳統(tǒng)分類(lèi)方法就無(wú)法取得良好的分類(lèi)和預(yù)測(cè)效果。針對(duì)這一問(wèn)題，通過(guò)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(lèi)代價(jià)，提出了一種基于基因表達(dá)式程序設(shè)計(jì)的代價(jià)敏感分類(lèi)算法(CSC-GEP)，并在三個(gè)UCI數(shù)據(jù)集上對(duì)該算法進(jìn)行了測(cè)試，實(shí)驗(yàn)結(jié)果表明CSC-GEP是一種有效的代價(jià)敏感分類(lèi)算法。
關(guān) 鍵 詞 分類(lèi); 代價(jià)敏感; 誤分類(lèi)代價(jià); 基因表達(dá)式程序設(shè)計(jì)

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(lèi)的任務(wù)通常是建立一個(gè)期望誤分類(lèi)數(shù)量最小的分類(lèi)器，比較典型的例子如C4.5的決策樹(shù)算法，在傳統(tǒng)上都是基于分類(lèi)錯(cuò)誤具有相同的代價(jià)的假定上的。而在現(xiàn)實(shí)中，不同的分類(lèi)錯(cuò)誤通常會(huì)導(dǎo)致不同的代價(jià)。以UCI數(shù)據(jù)集中的Heart disease數(shù)據(jù)集為例，錯(cuò)誤地將健康的人分類(lèi)為患病的代價(jià)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(lèi)為健康，則有可能延誤病人的治療。很明顯，第二種錯(cuò)誤分類(lèi)會(huì)令使用者付出遠(yuǎn)比第一種錯(cuò)誤分類(lèi)更大的代價(jià)。仍以Heart disease數(shù)據(jù)集為例，在這一數(shù)據(jù)集上建立分類(lèi)器的目的是為了檢測(cè)出患病的就診者。對(duì)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(lèi)方法產(chǎn)生的分類(lèi)器只需要犧牲全部患病者的實(shí)例作為誤分類(lèi)即可獲得一個(gè)在傳統(tǒng)意義上的高精度分類(lèi)結(jié)果。但此時(shí)這個(gè)分類(lèi)器也就喪失了存在的意義。因此在處理誤分類(lèi)代價(jià)不統(tǒng)一的數(shù)據(jù)集時(shí)，單純地以分類(lèi)精度作為分類(lèi)器的評(píng)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(jià)敏感(Cost Sensitive Classification，CSC)的分類(lèi)取代精度敏感的分類(lèi)。
本文通過(guò)在GEP的適應(yīng)度函數(shù)中加入代價(jià)矩陣，提出了基于基因表達(dá)式編程的代價(jià)敏感分類(lèi)算法CSC-GEP。通過(guò)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(lèi)算法與傳統(tǒng)算法進(jìn)行實(shí)驗(yàn)對(duì)比，結(jié)果證明CSC-GEP是一種有效的代價(jià)敏感分類(lèi)算法。