摘要： 针对传统过采样算法中常常出现的生成噪声点、数据分布边缘化、未增强足够特征的问题，提出了一种新算法：试探性少数类过采样技术（tentative synthetic minority over-sampling technique, TSMOTE）。该算法先将少数类样本进行K-means聚类，然后创建正类安全水平等指标，运用试探性的思想，放出试探点求出每个少数类样本对应的警戒点，获取最适合新样本生成的空间区域，最后在簇心和警戒点之间进行合成少数类过采样技术（synthetic minority over-sampling technique, SMOTE）,确保新样本的生成质量。在12个公开数据集上的大量实验表明：TSMOTE算法可以有效提高分类器对少数类样本和整体数据集的分类性能。

关键词: 不平衡数据;试探性;K-means;SMOTE;安全水平;

中图分类号: 

• TP311.13