【摘要】数据不平衡是分类模型在实际应用中常常会遇到的问题,比如信用风险预测、病情诊断等,在这些应用中,提高模型对少类样本的预测准确率有着重要的意义,看重模型的TPR(TruePositiveRate,真正率)表现。SMOTEBagging模型在TPR上比传统Bagging模型表现更好,为了进一步提高其TPR,引入AHP方法对基分类器进行选择性集成,构成了一种新模型,称为AHP-BasedBagging。实验结果表明,AHP-BasedBagging模型能在不牺牲整体预测表现的情况下,以更小的集成规模取得更好的TPR表现,具有更强的实用性。