[本文摘要]

为了提高不平衡数据集分类中少数类的分类精度，提出了基于特征选择的过抽样算法。该算法考虑了不同的特征列对分类性能的不同作用，首先对训练集进行特征选择，选出一组特征列，然后根据选出的特征列合成少数类样本，合成的每个少数类样本的特征由两部分组成，一部分是特征选择的特征列对应的特征，另一部分是按照SMOTE原理合成的特征。将基于特征选择的过抽样算法和SMOTE算法进行实验比较，结果表明基于特征选择的过抽样算法的性能优于SMOTE算法，能有效降低数据的不平衡性，提高少数类的分类精度。