在數據挖掘領域中，通常以分類精度作為分類算法效果的評估標準。這一標準是建立在假設任意一實例被誤分類為任意類時都具備同樣代價的基礎上的。當此假設不成立時，直接使用傳統分類方法就無法取得良好的分類和預測效果。針對這一問題，通過改進編解碼方法以及在適應度函數中集成樣本的不同誤分類代價，提出了一種基于基因表達式程序設計的代價敏感分類算法(CSC-GEP)，并在三個UCI數據集上對該算法進行了測試，實驗結果表明CSC-GEP是一種有效的代價敏感分類算法。
關 鍵 詞 分類; 代價敏感; 誤分類代價; 基因表達式程序設計

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

在數據挖掘中，分類的任務通常是建立一個期望誤分類數量最小的分類器，比較典型的例子如C4.5的決策樹算法，在傳統上都是基于分類錯誤具有相同的代價的假定上的。而在現實中，不同的分類錯誤通常會導致不同的代價。以UCI數據集中的Heart disease數據集為例，錯誤地將健康的人分類為患病的代價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為健康，則有可能延誤病人的治療。很明顯，第二種錯誤分類會令使用者付出遠比第一種錯誤分類更大的代價。仍以Heart disease數據集為例，在這一數據集上建立分類器的目的是為了檢測出患病的就診者。對某一特定疾病而言，可能存在的情況是全部就診者中僅有極少數是患病者，則在最糟糕的情況下，使用傳統分類方法產生的分類器只需要犧牲全部患病者的實例作為誤分類即可獲得一個在傳統意義上的高精度分類結果。但此時這個分類器也就喪失了存在的意義。因此在處理誤分類代價不統一的數據集時，單純地以分類精度作為分類器的評估標準就變得不恰當了。一種合理的解決方法是以代價敏感(Cost Sensitive Classification，CSC)的分類取代精度敏感的分類。
本文通過在GEP的適應度函數中加入代價矩陣，提出了基于基因表達式編程的代價敏感分類算法CSC-GEP。通過在UCI數據集中的Heart disease數據集、Sick數據集和Credit數據集上的分類算法與傳統算法進行實驗對比，結果證明CSC-GEP是一種有效的代價敏感分類算法。