[本文摘要]

针对传统的监督学习方法难以解决真实数据集标记信息少、训练样本集中存在类不均衡的问题，提出了类不均衡的半监督高斯过程分类算法。算法引入自训练的半监督学习思想，结合高斯过程分类算法计算后验概率，向未标记数据中注入类标记以获得更多准确可信的标记数据，使得训练样本的类分布相对平衡，分类器自适应优化以获得较好的分类效果。实验结果表明，在类不均衡的训练样本及标记信息过少的情况下，该算法通过自训练分类器获得了有效标记，使分类精度得到了有效提高，为解决类不均衡数据分类提供了一个新的思路。