基于SSGAN的不平衡医保数据分类方法技术

本发明专利技术公开了一种基于SSGAN的不平衡医保数据分类方法，涉及信息技术领域，该基于SSGAN的不平衡医保数据分类方法通过改进原始SSGAN网络，使之在训练过程中只生成弱势类样本，从而减小强势类和弱势类样本数量上的差距，降低数据集的不平衡度，从而提高其分类器的分类精度。该基于SSGAN的不平衡医保数据分类方法改进过后的SSGAN模型分类效果皆明显高于其他两个模型，并且随着比例的增加，改进过后的SSGAN网络的对原始SSGAN的优势越发明专利技术显。当政府样本比例达到19:1，即弱势类样本总数占训练集的5％时，我们的方法正确率比原始SSGAN提高了43.34％。

【技术实现步骤摘要】
基于SSGAN的不平衡医保数据分类方法
本专利技术涉及信息
，特别涉及一种基于SSGAN的不平衡医保数据分类方法。
技术介绍
近年来，不平衡数据集给分类方法带来的不利影响已经引起了学者的高度重视，不平衡数据集的分类方法可以分类为基于数据(Data-based)的方法、基于算法(Algorithm-based)的方法。基于数据的方法可以理解为一种数据预处理方法，从数据集内类别间样本的数量上不平衡性的角度出发，改善数据集的不平衡性。GAN的专利技术者IanGoodfellow在2016年提到了GAN用于半监督学习(semisupervised)的方法，称为SSGAN。将GAN应用于半监督分类任务时，只需要对最初的GAN的结构做稍微改动，即把discriminator模型的输出层替换成softmax分类器。假设训练数据有k类，那么在训练GAN模型的时候，可以把generator模拟出来的样本归为第k+1类，而softmax分类器也增加一个输出神经元，用于表示discriminator模型的输入为“假数据”的概率，这里的“假数据”具体指generator生成的样本。有的基于数据的分类方法，通过改变原始数据集内样本数来改变数据集的不平衡性，或将弱势类样本数增多或强势类样本数变少，以达到数据集不同类别的样本数相同或者近似相同。过采样和欠采样技术各有其优缺点，过采样技术通过人工引入新样本，不会丢失原有数据集的信息，但同时引入了新样本的额外信息，一旦引入的新样本分布不好(如是噪声数据或者是错误数据)，会产生过拟合问题，则会对后续分类算法造成非常不利的影响；而欠采样技术通过人工采样部分强势类样本以达到数据集平衡，会丢失了剩余的强势类样本信息，不能完全利用到原有数据集的全部信息，同样会对分类器造成不利影响。SSGAN则没有考虑到数据不平衡问题，以所研究的各类数据集均匀分布或者数量大致相当为前提，所以在分类时是以提高总体分类精度为目标，将所有样本一视同仁，同等对待，造成分类器在多数类的分类精度较高而在少数类的分类精度很低。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于SSGAN的不平衡医保数据分类方法，通过对SSGAN模型进行改进，使其生成器在训练过程中生成少类数据，从而减少弱势类和强势类样本数量上的差距，提高其分类器的分类精度。为实现上述目的，本专利技术提供以下的技术方案：该基于SSGAN的不平衡医保数据分类方法包括数据集，数据集为非平衡数据集，医保骗保数据集是典型的非平衡数据集。医保骗保数据集中涉嫌骗保的样本类为弱势类，将其标记为‘1’，看做负样本，不涉嫌骗保的样本类为强势类，标记为‘0’，看做正样本，该基于SSGAN的不平衡医保数据分类方法首先利用tensorflow搭建适用于结构化数据的神经网络，再改进SSGAN中生成器网络的损失函数，使之在训练过程中只产生弱势类数据，从而提高分类器在弱势类上的分类精度。针对医保数据，则是通过将生成器的损失函数修改为：Lgenerator＝max(EZ～p(z)log[p(y＝1|x)])，其中p(z)表示随机噪声分布(如高斯噪声)，E(·)是期望计算函数，由此产生标签为‘1’的弱势类样本。具体步骤如下：Step1：对医保骗保数据集进行预处理，填补缺失值；Step2：通过特征工程对医保骗保数据集进行特征提取，扩充数据集维度；Step3：利用tensorflow搭建适用于结构化数据的SSGAN网络；Step4：改进SSGAN中生成器网络的损失函数，使之产生弱势类样本；Step5：通过实验对比本专利改进过后的SSGAN(ours)和传统随机森林分类算法(RF)、原始SSGAN网络对医保骗保数据的分类效果，在不同正负样本比例的训练集下验证改进的SSGAN的有效性。采用以上技术方案的有益效果是：该基于SSGAN的不平衡医保数据分类方法改进过后的SSGAN模型分类效果皆明显高于其他两个模型，并且随着比例的增加，改进过后的SSGAN网络的对原始SSGAN的优势越专利技术显。当政府样本比例达到19:1，即弱势类样本总数占训练集的5％时，我们的方法正确率比原始SSGAN提高了43.34％。附图说明下面结合附图对本专利技术的具体实施方式作进一步详细的描述。图1是GAN的计算流程与结构原理图；图2是三个模型在不同正负样本比例下分类效果比较曲线图；图3是改进后SSGAN结构图。具体实施方式下面结合附图详细说明本专利技术基于SSGAN的不平衡医保数据分类方法的优选实施方式。图1、图2和图3出示本专利技术基于SSGAN的不平衡医保数据分类方法的具体实施方式：基于数据的方法亦可称之为数据重采样(Resampling)技术，其通过改变原始数据集内样本数来改变数据集的不平衡性，或将弱势类样本数增多或强势类样本数变少，以达到数据集不同类别的样本数相同或者近似相同，从改变数据的角度可以分为过采样(Oversampling)、欠采样(Undersampling)两种。过采样通过人工构造一些弱势类样本，以增加弱势类样本的数量，使得标签数据的集合达到平衡：而欠采样则通过适当的方法减少强势类样本的个数，以使得标签数据的集合达到平衡。过采样和欠采样技术各有其优缺点，过采样技术通过人工引入新样本，不会丢失原有数据集的信息，但同时引入了新样本的额外信息，一旦引入的新样本分布不好(如是噪声数据或者是错误数据)，会产生过拟合问题，则会对后续分类算法造成非常不利的影响；而欠采样技术通过人工采样部分强势类样本以达到数据集平衡，会丢失了剩余的强势类样本信息，不能完全利用到原有数据集的全部信息，同样会对分类器造成不利影响。SMOTE方法是最为经典的过采样算法，该方法首先确定应该生成人工样本的个数m，如原始数据集中强势类与弱势类样本数分别为10、2，则m＝8，然后为弱势类样本集合构造k-NN拓扑图，即每个样本选取与其距离最近的k个样本建立边，然后随机的选择一个样本x，再从该样本的k个近邻中随机选择一个样本y，最后生成一个0到1之间的随机数a，那么人工构造的新样本为g＝x+a×(y-x)，不断地重复此过程，直至得到m个人造样本。SMOTE方法虽然在弱势类样本之间人工构造新样本，并且新的样本具有额外的信息，给不平衡数据集分类带来一定的改善，但是其随机的从弱势类样本集中选取样本，意味着所有弱势类样本是同等重要的，并未体现出样本之间信息量的差异性。GAN的核心思想来源于博弈论的纳什均衡。它设定参与游戏双方分别为一个生成器(Generator)和一个判别器(Discriminator),生成器的目的是尽量去学习真实的数据分布,而判别器的目的是尽量正确判别输入数据是来自真实数据还是来自生成器；为了取得游戏胜利,这两个游戏参与者需要不断优化,各自提高自己的生成能力和判别能力,这个学习优化过程就是寻找二者之间的一个纳什均衡。任意可微分的函数都可以用来表示GAN的生成器和判别器,由此,我们用可微分函数D和G来分别表示判别器和生成器,它们的输入分别为真实数据x和随机变量z。G(z)则为由G生成的尽量服从真实数据分布pdata的样本。如果判别器的输入来自真实数据,标注为1，如果输入样本为G(z),标注为0。这里D的目标是实现对数据来源的二分类判别:真(来源于真实数据x的本文档来自技高网...

【技术保护点】
1.一种基于SSGAN的不平衡医保数据分类方法，其特征在于：所述基于SSGAN的不平衡医保数据分类方法包括数据集，数据集为非平衡数据集，医保骗保数据集是典型的非平衡数据集。医保骗保数据集中涉嫌骗保的样本类为弱势类，将其标记为‘1’，看做负样本，不涉嫌骗保的样本类为强势类，标记为‘0’，看做正样本，该基于SSGAN的不平衡医保数据分类方法首先利用tensorflow搭建适用于结构化数据的神经网络，再改进SSGAN中生成器网络的损失函数，使之在训练过程中只产生弱势类数据，从而提高分类器在弱势类上的分类精度。针对医保数据，则是通过将生成器的损失函数修改为：Lgenerator＝max(EZ～p(z)log[p(y＝1|x)])，其中p(z)表示随机噪声分布(如高斯噪声)，E(·)是期望计算函数，由此产生标签为‘1’的弱势类样本。具体步骤如下：Step1：对医保骗保数据集进行预处理，填补缺失值；Step2：通过特征工程对医保骗保数据集进行特征提取，扩充数据集维度；Step3：利用tensorflow搭建适用于结构化数据的SSGAN网络；Step4：改进SSGAN中生成器网络的损失函数，使之产生弱势类样本；Step5：通过实验对比本专利改进过后的SSGAN(ours)和传统随机森林分类算法(RF)、原始SSGAN网络对医保骗保数据的分类效果，在不同正负样本比例的训练集下验证改进的SSGAN的有效性。...

【技术特征摘要】
1.一种基于SSGAN的不平衡医保数据分类方法，其特征在于：所述基于SSGAN的不平衡医保数据分类方法包括数据集，数据集为非平衡数据集，医保骗保数据集是典型的非平衡数据集。医保骗保数据集中涉嫌骗保的样本类为弱势类，将其标记为‘1’，看做负样本，不涉嫌骗保的样本类为强势类，标记为‘0’，看做正样本，该基于SSGAN的不平衡医保数据分类方法首先利用tensorflow搭建适用于结构化数据的神经网络，再改进SSGAN中生成器网络的损失函数，使之在训练过程中只产生弱势类数据，从而提高分类器在弱势类上的分类精度。针对医保数据，则是通过将生成器的损失函数修改为：Lgenerator＝max(EZ～p(z)lo...

【专利技术属性】
技术研发人员：陈雷霆，李巧平，陈秋生，周听听，周聪宇，刘薇，
申请(专利权)人：东莞迪赛软件技术有限公司，电子科技大学广东电子信息工程研究院，
类型：发明
国别省市：广东,44