针对非平衡数据分类问题,提出了一种改进的SVM-KNN分类算法,在此基础上设计了一种集成学习模型。该模型采用限数采样方法对多数类样本进行分割,将分割后的多数类子簇与少数类样本重新组合,利用改进的SVM-KNN分别训练,得到多个基本分类器,对各个基本分类器进行组合。采用该模型对UCI数据集进行实验,结果显示该模型对于非平衡数据分类有较好的效果。

通过将查询样本表示为所有标记样本的线性组合，然后通过评估哪个类别导致最小表示误差对它进行分类，基于表示的分类方法已成功用于高光谱图像（HSI）的分类。 根据不同规范的使用，已经在两种不同的范式中提出了基于稀疏表示的分类（SRC）和基于协作表示的分类（CRC）方法。 SRC鼓励使用少量带标签的样本，而CRC则鼓励使用所有带标签的样本来协同代表所有类别中的查询。 但是，当不同类别的有限标记样本不平衡时，学习的表示很难反映每个类别的特定特征。 为了克服这个问题，本文提出了一种基于图的上下文感知弹性网（