摘要：产品质量自动检测是一种类不平衡的模式识别分类。传统的机器学习方法考虑整体精度而偏重多数据类,但分布少的缺陷类才是重要类。本文提出对类不平衡的机器学习采用分层进行,首先对样本进行两分类学习,目标是通过简单分类器在许可的错误率下分离出易于分离的绝大多数合格类样本,然后对不平衡性得到缓解的剩余样本进行两分类或多分类学习。在学习后的检测分类中,第1层的简单分类器和第2层的复杂分类器并行工作,前面的分类器分类为合格的可提前结束后面分类器的工作,提高总体分类速度。对比实验表明本方案有效改进了学习性能和检测分类速度。

关键词：类不平衡 模式识别 机器学习 分层学习 代偏重的最小化最大概率机 

单位：五邑大学信息学院; 江门529020; 广东工业大学自动化学院; 广州510090