基于演化多目标优化的多类类别不平衡学习算法研究

在许多实际应用中，数据关于类别的分布往往是不平衡的，分类模型不但要有很高总体精度，还需兼顾不同类别。传统的机器学习技术不能满足这一要求。一些新提出的技术只能解决两类类别不平衡问题，推广到多类问题则效果不佳，而直接针对多类问题的方法也较少。本项目提出将多类类别不平衡学习转化为多目标优化问题。以分类器在不同类别上的精度为优化目标，结合演化多目标技术和机器学习技术设计多目标优化算法对问题求解。与现有的类别不平衡学习算法相比，基于演化多目标优化的学习算法可同时训练多个帕累托最优分类器，它们对各类别侧重程度不同，自动为应用领域的实践者提供多个选择，因而更适用于实际问题中常见的对极限分类性能缺少先验知识的情况。本项目通过上述基础研究，将实现一个新的多类类别不平衡算法，并将其应用于生物信息建模。此外，本项目拟在分类算法的基础上研究针对类别不平衡问题的特征选择技术，以实现对生物信息数据的进一步分析。