• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    一種基于聚類的非平衡分類算法

    2014-09-04 07:38:42武永成
    荊楚理工學(xué)院學(xué)報 2014年2期
    關(guān)鍵詞:樣例樣本數(shù)分類器

    武永成,劉 釗

    (1.荊楚理工學(xué)院 計算機工程學(xué)院,湖北 荊門 448000;2.武漢科技大學(xué) 計算機科學(xué)與技術(shù)學(xué)院,湖北 武漢 430081)

    一種基于聚類的非平衡分類算法

    武永成1,劉 釗2

    (1.荊楚理工學(xué)院 計算機工程學(xué)院,湖北 荊門 448000;2.武漢科技大學(xué) 計算機科學(xué)與技術(shù)學(xué)院,湖北 武漢 430081)

    傳統(tǒng)的分類算法大多假定用來學(xué)習(xí)的數(shù)據(jù)集是平衡的,但實際應(yīng)用中真正面臨的數(shù)據(jù)集往往是非平衡數(shù)據(jù)。針對非平衡數(shù)據(jù), 利用傳統(tǒng)的分類方法往往不能獲得良好的性能。文章提出了一種新的基于聚類的非平衡分類算法,通過聚類生成多個聚類體,在每個聚類體中選取一定數(shù)量的數(shù)據(jù)作為訓(xùn)練樣本,有效地處理了樣例數(shù)據(jù)的不平衡問題,在相關(guān)數(shù)據(jù)集上的實驗驗證了本方法的有效性。

    機器學(xué)習(xí);非平衡分類;減重取樣;聚類

    0 引言

    分類(classification)是機器學(xué)習(xí)和數(shù)據(jù)挖掘中最典型的任務(wù)之一[1]。分類算法在對有標記樣本集合(或稱為有分類類型的樣本集合)進行分析和學(xué)習(xí)后,生成一個分類器。利用得到的分類器,可以對那些沒有分類類型的數(shù)據(jù)進行預(yù)測,判斷其分類類型。如醫(yī)務(wù)人員可以將病人的相關(guān)數(shù)據(jù)輸入分類系統(tǒng),分類系統(tǒng)就能根據(jù)以往學(xué)習(xí)得到的分類器,自動判斷某個病人是否會藥物過敏。

    傳統(tǒng)的分類算法很多都基于一種假定:用來學(xué)習(xí)的樣本數(shù)據(jù)都是平衡的,即各類樣本數(shù)據(jù)的數(shù)量差別不大,不是一類樣本數(shù)據(jù)的數(shù)量遠遠大于另一類數(shù)據(jù)。然而,現(xiàn)實世界中,很多情況下,樣例數(shù)據(jù)是不均衡的。例如:在1 000個體檢數(shù)據(jù)集中,最終分類類型為健康的可能占90%,分類類型為不健康的可能為10%,這樣的數(shù)據(jù)集就是非平衡的。本文中,為便于敘述,將一個數(shù)據(jù)集中大多數(shù)的樣例都屬于的分類類型稱為MA,而剩余的樣例的分類類型稱為MI。

    對于非平衡數(shù)據(jù)的分類(imbalanced classification),最大的問題是:最終得到的分類器可能只對MA數(shù)據(jù)敏感,而忽略MI數(shù)據(jù)。在對測試數(shù)據(jù)進行分類預(yù)測時,容易將其分類為MA而忽略MI。例如:銀行想利用分類算法構(gòu)造一個分類器,對顧客未來是否進行信用貸款進行預(yù)測。銀行的歷史數(shù)據(jù)(有標記樣本集合)中,只有2%的顧客信用貸款,其余98%顧客不貸款。傳統(tǒng)的分類算法在這樣的樣本數(shù)據(jù)上進行學(xué)習(xí)得到的分類器,會將所有被預(yù)測的顧客判定為不貸款,因為這樣可以得到98%的分類準確率。顯然這不是銀行的真正目的。能對少數(shù)的可能貸款的用戶進行準確預(yù)測,才是銀行所需分類器的真正目的。

    針對非平衡數(shù)據(jù)的分類,在監(jiān)督學(xué)習(xí)中,主要采用的是重取樣(re-sampling)[2]和代價敏感(cost-sensitive learning)[3]的方法。

    本文在重取樣技術(shù)的基礎(chǔ)上,提出了一種新的基于聚類(clustering)[1]的非平衡分類算法,通過聚類生成多個聚類體,在每個聚類體中選取一定數(shù)量有代表性的數(shù)據(jù)作為訓(xùn)練樣本,有效地提高了對MI類數(shù)據(jù)預(yù)測的準確性。在相關(guān)數(shù)據(jù)集上的實驗驗證了本方法的有效性。

    1 相關(guān)工作

    機器學(xué)習(xí)的分類問題中,給定一個樣例集合D={,…}∈X×Y,其中是一個樣例。xi是一個向量[xi1,…xim],yi是該樣例的標注(或分類類型)。X、Y分別是xi,yi的取值范圍。是未標注樣例,是有標注樣例。分類算法的任務(wù)就是在集合D上進行學(xué)習(xí)得到分類器。利用學(xué)習(xí)得到的分類器,就可以對未標注樣例的分類類型進行預(yù)測。

    非平衡分類問題,作為一個具有挑戰(zhàn)性的機器學(xué)習(xí)問題,近些年在機器學(xué)習(xí)、數(shù)據(jù)挖掘等領(lǐng)域被廣泛研究。其中使用的最重要的技術(shù)是:重取樣技術(shù)和代價敏感學(xué)習(xí)技術(shù)。重取樣技術(shù)又分為增重取樣(over-sampling)[2]和減重取樣(under-sampling)[4]兩種方法,增重取樣技術(shù)通過復(fù)制MI樣本來使得它和MA的樣本數(shù)達到平衡,減重取樣技術(shù)則通過減少一定的MA樣本使它與MI的樣本數(shù)達到平衡。

    減重取樣技術(shù)中最簡單的一種方法稱為隨機減重取樣技術(shù)(random under-sampling approach,簡稱為RUSA),它隨機地在MA數(shù)據(jù)集中選取一定數(shù)量的MA樣本,與MI一起組成一個平衡的訓(xùn)練集。

    2 基于聚類的非平衡分類算法

    隨機減重取樣技術(shù)最大的問題是隨機選取的樣本代表性可能不強。為此,本文提出了一種基于聚類的非平衡分類算法。首先對整個訓(xùn)練集D(由MA樣本和MI樣本組成的非平衡數(shù)據(jù)集)進行聚類,生成若干個聚類體。對于這些聚類體,每個可能具有不同的特點。某個聚類體可能包含較多的MA樣本和較少的MI樣本,則這個聚類體的整體特性與MA樣本更接近;同樣,某個聚類體可能包含較多的MI樣本和較少的MA樣本,則這個聚類體的整體特性與MI樣本更接近。因此,根據(jù)每個聚類體中MA樣本與MI樣本的比值,我們的算法從每個聚類體中選取不同數(shù)量的MA樣本,與D中所有的MI一起,組成最終的訓(xùn)練樣本D’(平衡的數(shù)據(jù)集),這樣就有效地克服了隨機減重取樣技術(shù)的盲目性問題。

    2.1 基于聚類的平衡數(shù)據(jù)集產(chǎn)生辦法

    (1)

    例如:有一個非平衡數(shù)據(jù)集D,它的樣本數(shù)量為1 100,其中SizeMA=1 000,SizeMI=100。聚類算法將D聚類為3個聚類體,3個聚類體的相關(guān)數(shù)據(jù)如表1所示。

    設(shè)平衡化處理后的數(shù)據(jù)集D’中MA與MI樣本之比1∶1,則可知從D中選取的MA樣本數(shù)為100。這100個MA樣本,是分別從聚類體1、2、3中選取82、10、8個MA樣本組成的。具體計算方法如表2所示。

    表1 3個聚類體的相關(guān)數(shù)據(jù)表

    表2 3個聚類體中分別選取的MA樣本數(shù)

    2.2 基于聚類的非平衡分類算法的完整描述

    本文提出的基于聚類的非平衡分類算法,其完整描述如算法1所示。

    算法1 基于聚類的非平衡分類算法

    3 實驗結(jié)果與分析

    實驗中用到兩個真實的數(shù)據(jù)集。一個是美國人口統(tǒng)計局1994年和1995年的人口-收入統(tǒng)計數(shù)據(jù)庫,該數(shù)據(jù)集中包含公民的年齡、性別、受教育程度、工作等信息,該數(shù)據(jù)集的任務(wù)是能對每個公民的收入進行預(yù)測??倶颖緮?shù)為30 162,其中MA(收入低于5萬美元)樣本數(shù)為22 654,MI(收入高于5萬美元)樣本數(shù)為7 508;另一個數(shù)據(jù)庫是銀行貸款拖欠檢測數(shù)據(jù)集,該數(shù)據(jù)集中包含客戶基本信息、客戶支付能力和客戶賬單資金總量等信息,該數(shù)據(jù)集的任務(wù)是能對容易拖欠的客戶進行預(yù)測。該數(shù)據(jù)集的樣本總數(shù)為62 309,其中MA(不容易拖欠的客戶)樣本數(shù)為47 707,MI(容易拖欠的客戶)樣本數(shù)為14 602。我們使用80%的樣本作為學(xué)習(xí)樣本,其余20%的樣本用來對學(xué)習(xí)得到的分類器進行評價。

    算法1的第一步提到的聚類算法采用k-medoids算法[6],算法1的第四步提到的分類算法采用神經(jīng)網(wǎng)絡(luò)算法[7]。

    為驗證本算法的有效性,與隨機減重取樣算法(RUSA)進行了對比,實驗結(jié)果如表3所示。從表3可看出,在兩個數(shù)據(jù)集上,我們的算法都優(yōu)于RUSA算法。

    表3 兩種算法的實驗結(jié)果

    4 結(jié)束語

    本文針對隨機減重取樣技術(shù)的局限性,提出了一種基于聚類的非平衡分類算法。首先采用聚類算法對整個原始非平衡樣本集合進行聚類,得到多個聚類體;然后在每個聚類體中,選取一定數(shù)量的MA樣本,與原始樣本中的所有MI樣本一起,組成一個新的平衡的樣本集合。在該樣本集合上,利用傳統(tǒng)的分類算法進行學(xué)習(xí),得到最終的分類器。在兩個非平衡數(shù)據(jù)集上,驗證了本算法的有效性。

    [1] 韓家煒.數(shù)據(jù)挖掘:概念與技術(shù)[M].北京:機械工業(yè)出版社,2004.

    [2] N Chawla,K Bowyer,L Hall,et al.SMOTE:Synthetic Minority Over-Sampling Technique[J].Journal of Artificial Intelligence Research,2002,16:321-357.

    [3] Z Zhou,X Liu.Training Cost-Sensitive Neural Networks with Methods Addressing the Class Imbalance Problem[C]// IEEE Transaction on Knowledge and Data Engineering,2006:63-77.

    [4] R Barandela,J Sánchez,V García,et al.Strategies for Learning in Class Imbalance Problems[J].Pattern Recognition, 2003,36:849-851.

    [5] M Kubat,S Matwin.Addressing the Curse of Imbalanced Training Sets:One-Sided Selection[C]//In Proceedings of ICML-97,1997:179-186.

    [6] Struyf A,Hubert M,Rousseeuw P.Integrating Robust Clustering Techniques in S-plus[J].Computational Statistics and Data Analysis,1997(26):17-37.

    [7] Sondak N E,Sondak V K.Neural Networks and Artificial Intelligence[C]//In Proceedings of the 20th SIGCSE Technical Symposium on Computer Science Education,1989.

    2013-11-05

    武永成(1971-),男,湖北仙桃人,荊楚理工學(xué)院講師,碩士。研究方向:機器學(xué)習(xí)和數(shù)據(jù)挖掘; 劉釗(1967-),男,湖北襄陽人,武漢科技大學(xué)教授,博士。研究方向:人工智能和演化計算。

    TP301.6

    A

    1008-4657(2014)02-0045-04

    寸曉非]

    猜你喜歡
    樣例樣本數(shù)分類器
    樣例復(fù)雜度與學(xué)習(xí)形式對不同數(shù)量樣例學(xué)習(xí)的影響
    樣例呈現(xiàn)方式對概念訓(xùn)練類別表征的影響
    勘 誤 聲 明
    “樣例教學(xué)”在小學(xué)高年級數(shù)學(xué)中的應(yīng)用
    BP-GA光照分類器在車道線識別中的應(yīng)用
    電子測試(2018年1期)2018-04-18 11:52:35
    加權(quán)空-譜與最近鄰分類器相結(jié)合的高光譜圖像分類
    結(jié)合模糊(C+P)均值聚類和SP-V-支持向量機的TSK分類器
    三時間間隔圓錐補償姿態(tài)更新算法性能分析
    田間鑒定雜交棉品種純度的適宜時期和樣本數(shù)
    基于LLE降維和BP_Adaboost分類器的GIS局部放電模式識別
    大话2 男鬼变身卡| 国产国拍精品亚洲av在线观看| 伊人久久大香线蕉亚洲五| 亚洲图色成人| 亚洲国产中文字幕在线视频| 亚洲五月色婷婷综合| 日韩熟女老妇一区二区性免费视频| 在线观看免费高清a一片| 中文字幕人妻熟女乱码| 欧美日韩一区二区视频在线观看视频在线| 在线观看www视频免费| 国产成人精品在线电影| 免费看av在线观看网站| 成人影院久久| 汤姆久久久久久久影院中文字幕| 亚洲成人国产一区在线观看 | 精品国产乱码久久久久久男人| 国产在线一区二区三区精| 亚洲精品国产av成人精品| 一级毛片 在线播放| 国产女主播在线喷水免费视频网站| 日韩精品免费视频一区二区三区| 高清不卡的av网站| 一区二区日韩欧美中文字幕| 啦啦啦啦在线视频资源| 丝袜在线中文字幕| 亚洲美女搞黄在线观看| 中文字幕制服av| 新久久久久国产一级毛片| 波多野结衣av一区二区av| 亚洲欧美色中文字幕在线| 女人高潮潮喷娇喘18禁视频| 欧美成人精品欧美一级黄| 黄色 视频免费看| 999精品在线视频| 欧美成人精品欧美一级黄| 欧美成人精品欧美一级黄| 三上悠亚av全集在线观看| 999精品在线视频| 久久久精品区二区三区| 一边摸一边做爽爽视频免费| 下体分泌物呈黄色| 欧美成人精品欧美一级黄| 丰满饥渴人妻一区二区三| 国产成人av激情在线播放| 99热国产这里只有精品6| 999久久久国产精品视频| 中文字幕色久视频| 国产欧美日韩综合在线一区二区| 19禁男女啪啪无遮挡网站| 精品一区在线观看国产| 大片免费播放器 马上看| 美国免费a级毛片| 99久久精品国产亚洲精品| av在线观看视频网站免费| 欧美精品人与动牲交sv欧美| av视频免费观看在线观看| 国产爽快片一区二区三区| 一本久久精品| 久久久久人妻精品一区果冻| 亚洲国产av影院在线观看| 精品免费久久久久久久清纯 | 一个人免费看片子| 亚洲国产最新在线播放| 熟女少妇亚洲综合色aaa.| 国产成人精品在线电影| 999久久久国产精品视频| 五月天丁香电影| 伦理电影免费视频| 亚洲欧美成人综合另类久久久| 国产成人精品在线电影| 精品亚洲成国产av| 妹子高潮喷水视频| 九色亚洲精品在线播放| 青青草视频在线视频观看| 国产成人91sexporn| 成人手机av| 中文字幕人妻丝袜制服| tube8黄色片| 久久97久久精品| 多毛熟女@视频| 久久久久精品国产欧美久久久 | 国产日韩一区二区三区精品不卡| 中国三级夫妇交换| 午夜福利网站1000一区二区三区| videosex国产| 国产色婷婷99| 国产一区有黄有色的免费视频| 亚洲国产成人一精品久久久| 亚洲自偷自拍图片 自拍| 黄片播放在线免费| 日韩中文字幕视频在线看片| 国产麻豆69| 国产精品 国内视频| 女人久久www免费人成看片| a级片在线免费高清观看视频| 久热这里只有精品99| 1024香蕉在线观看| 晚上一个人看的免费电影| 久久久久精品性色| 日本av手机在线免费观看| 一本色道久久久久久精品综合| 久久精品久久久久久噜噜老黄| 婷婷色麻豆天堂久久| 黄频高清免费视频| 欧美激情极品国产一区二区三区| 国产不卡av网站在线观看| 熟女av电影| 18禁观看日本| 亚洲熟女精品中文字幕| 亚洲精品视频女| 一区二区三区精品91| 国产国语露脸激情在线看| 99久久人妻综合| 日韩一区二区三区影片| 大片免费播放器 马上看| 欧美黄色片欧美黄色片| 免费看不卡的av| 人人妻人人爽人人添夜夜欢视频| 亚洲精品美女久久久久99蜜臀 | 亚洲一区中文字幕在线| 成人漫画全彩无遮挡| 久久99热这里只频精品6学生| 2018国产大陆天天弄谢| 最近最新中文字幕免费大全7| 久久久精品国产亚洲av高清涩受| 成人国产av品久久久| 波野结衣二区三区在线| 欧美激情极品国产一区二区三区| 久久婷婷青草| 日本欧美视频一区| av线在线观看网站| 精品国产超薄肉色丝袜足j| 美女国产高潮福利片在线看| 欧美日韩国产mv在线观看视频| 中文字幕精品免费在线观看视频| 午夜福利视频在线观看免费| 老司机亚洲免费影院| 最近手机中文字幕大全| 亚洲四区av| 一边摸一边做爽爽视频免费| 婷婷色av中文字幕| 久久久久久人妻| 国产精品久久久久久久久免| 中文字幕制服av| 久久久国产欧美日韩av| 一个人免费看片子| 亚洲国产看品久久| h视频一区二区三区| 日韩,欧美,国产一区二区三区| 国产成人精品久久久久久| 黄频高清免费视频| 日韩av不卡免费在线播放| 日本vs欧美在线观看视频| 青春草亚洲视频在线观看| 国产在视频线精品| 18禁动态无遮挡网站| 午夜福利一区二区在线看| 国产精品.久久久| 亚洲第一区二区三区不卡| 亚洲天堂av无毛| 99久久精品国产亚洲精品| 大片电影免费在线观看免费| 国产亚洲午夜精品一区二区久久| 十八禁网站网址无遮挡| 亚洲男人天堂网一区| 午夜福利乱码中文字幕| avwww免费| tube8黄色片| 韩国精品一区二区三区| 国产乱人偷精品视频| 亚洲精品国产av成人精品| 日韩大码丰满熟妇| 欧美 日韩 精品 国产| 亚洲国产av新网站| 免费人妻精品一区二区三区视频| 大香蕉久久成人网| 国产乱人偷精品视频| 涩涩av久久男人的天堂| 波多野结衣av一区二区av| 欧美老熟妇乱子伦牲交| 欧美日韩一区二区视频在线观看视频在线| 久久99精品国语久久久| 国产伦人伦偷精品视频| 人人妻,人人澡人人爽秒播 | 伦理电影大哥的女人| 亚洲成色77777| 久久久亚洲精品成人影院| 女人精品久久久久毛片| 国产亚洲最大av| 精品一区二区三区四区五区乱码 | 一级片免费观看大全| 多毛熟女@视频| 欧美另类一区| 国产精品 欧美亚洲| 极品少妇高潮喷水抽搐| 国产免费现黄频在线看| 观看av在线不卡| 黑人欧美特级aaaaaa片| 老司机亚洲免费影院| 免费少妇av软件| 欧美日韩亚洲综合一区二区三区_| 99热国产这里只有精品6| 欧美精品av麻豆av| 秋霞在线观看毛片| 久久国产精品男人的天堂亚洲| 欧美激情 高清一区二区三区| svipshipincom国产片| 免费人妻精品一区二区三区视频| 涩涩av久久男人的天堂| 人人妻,人人澡人人爽秒播 | 国产成人精品久久二区二区91 | 国产精品 国内视频| 日本av免费视频播放| 天堂8中文在线网| 国产精品秋霞免费鲁丝片| 少妇人妻 视频| 精品国产乱码久久久久久小说| 黑人猛操日本美女一级片| 综合色丁香网| 欧美日韩av久久| 妹子高潮喷水视频| 精品亚洲成国产av| 男人舔女人的私密视频| 在线观看一区二区三区激情| 人人妻人人爽人人添夜夜欢视频| 黄色视频不卡| 成人黄色视频免费在线看| 99热国产这里只有精品6| 99香蕉大伊视频| 曰老女人黄片| 精品卡一卡二卡四卡免费| 亚洲成人免费av在线播放| 欧美日韩av久久| 美女主播在线视频| 欧美日韩成人在线一区二区| 久久人人97超碰香蕉20202| 国产精品无大码| 99热全是精品| 亚洲成国产人片在线观看| www.熟女人妻精品国产| 精品国产国语对白av| 久久韩国三级中文字幕| 久久久精品国产亚洲av高清涩受| 青春草视频在线免费观看| 欧美黑人欧美精品刺激| 中文字幕人妻丝袜一区二区 | 夫妻午夜视频| 桃花免费在线播放| 伦理电影大哥的女人| 在线观看免费午夜福利视频| 9色porny在线观看| 欧美乱码精品一区二区三区| 久热爱精品视频在线9| 狠狠精品人妻久久久久久综合| 国产毛片在线视频| 午夜福利免费观看在线| 欧美亚洲日本最大视频资源| 丁香六月天网| 啦啦啦中文免费视频观看日本| 一级毛片我不卡| 亚洲熟女毛片儿| 欧美黄色片欧美黄色片| 国产 一区精品| 一二三四中文在线观看免费高清| 国产无遮挡羞羞视频在线观看| 国语对白做爰xxxⅹ性视频网站| 精品亚洲乱码少妇综合久久| 精品一区二区三卡| 日韩制服丝袜自拍偷拍| 视频区图区小说| 日本爱情动作片www.在线观看| 黄色 视频免费看| 久久精品aⅴ一区二区三区四区| 亚洲av国产av综合av卡| 久久久久国产一级毛片高清牌| 一区二区三区乱码不卡18| 波多野结衣av一区二区av| 国产一区二区激情短视频 | 欧美精品一区二区免费开放| 亚洲伊人久久精品综合| 啦啦啦在线免费观看视频4| 免费日韩欧美在线观看| 老熟女久久久| 国产色婷婷99| 高清视频免费观看一区二区| 色精品久久人妻99蜜桃| 日本wwww免费看| 91老司机精品| 国产黄色视频一区二区在线观看| 97人妻天天添夜夜摸| 最近最新中文字幕免费大全7| 操美女的视频在线观看| 免费观看性生交大片5| 久久久久久人人人人人| 岛国毛片在线播放| 久久免费观看电影| 美女主播在线视频| 日本av手机在线免费观看| 久久久久网色| 晚上一个人看的免费电影| 久久久国产欧美日韩av| 欧美老熟妇乱子伦牲交| 欧美日韩成人在线一区二区| www.精华液| 我的亚洲天堂| 亚洲欧美清纯卡通| 亚洲精品成人av观看孕妇| 亚洲国产成人一精品久久久| 1024香蕉在线观看| 性高湖久久久久久久久免费观看| 老鸭窝网址在线观看| 一边亲一边摸免费视频| 欧美乱码精品一区二区三区| 一区二区三区乱码不卡18| 黄色怎么调成土黄色| 咕卡用的链子| 亚洲欧美激情在线| 国产av一区二区精品久久| 国产又色又爽无遮挡免| 人人妻人人澡人人爽人人夜夜| 黄频高清免费视频| 亚洲国产欧美在线一区| 国产片内射在线| 黄片播放在线免费| 美女福利国产在线| 国产成人a∨麻豆精品| 天天躁日日躁夜夜躁夜夜| 亚洲欧美精品综合一区二区三区| 久久久国产欧美日韩av| 国产精品久久久人人做人人爽| 秋霞伦理黄片| 久久亚洲国产成人精品v| 亚洲精品av麻豆狂野| 国产精品人妻久久久影院| 亚洲色图综合在线观看| 欧美人与性动交α欧美软件| 一边摸一边抽搐一进一出视频| 青春草国产在线视频| 欧美成人午夜精品| av在线老鸭窝| 欧美日本中文国产一区发布| 十八禁人妻一区二区| 国产欧美日韩一区二区三区在线| 丰满迷人的少妇在线观看| 日日爽夜夜爽网站| 丝袜脚勾引网站| 国产亚洲一区二区精品| 免费少妇av软件| 欧美黑人精品巨大| 欧美人与善性xxx| 1024香蕉在线观看| 亚洲精品美女久久久久99蜜臀 | 91精品三级在线观看| 欧美最新免费一区二区三区| 国产精品秋霞免费鲁丝片| 黄色视频在线播放观看不卡| 美女中出高潮动态图| 亚洲av国产av综合av卡| 日日爽夜夜爽网站| 国产亚洲av片在线观看秒播厂| 伊人亚洲综合成人网| 国产高清国产精品国产三级| 男人舔女人的私密视频| 国产精品一区二区在线观看99| 最近最新中文字幕免费大全7| 秋霞在线观看毛片| 久久久久精品人妻al黑| 亚洲一级一片aⅴ在线观看| 国产成人啪精品午夜网站| 侵犯人妻中文字幕一二三四区| 午夜福利,免费看| 日日撸夜夜添| 国产在视频线精品| 免费少妇av软件| 香蕉国产在线看| 国产成人免费无遮挡视频| 极品少妇高潮喷水抽搐| 麻豆av在线久日| 亚洲精品久久午夜乱码| 晚上一个人看的免费电影| 大陆偷拍与自拍| 亚洲av男天堂| 国产亚洲av高清不卡| 一本一本久久a久久精品综合妖精| 制服诱惑二区| 老司机亚洲免费影院| 亚洲欧美成人精品一区二区| 成人黄色视频免费在线看| 色婷婷久久久亚洲欧美| 亚洲国产看品久久| 久久久久久久大尺度免费视频| 欧美日韩av久久| 悠悠久久av| 亚洲熟女精品中文字幕| 99久久精品国产亚洲精品| 中文精品一卡2卡3卡4更新| 免费观看性生交大片5| 亚洲精品国产av蜜桃| 欧美黑人精品巨大| 国产无遮挡羞羞视频在线观看| 一级a爱视频在线免费观看| 97在线人人人人妻| videosex国产| 亚洲精品aⅴ在线观看| 久久鲁丝午夜福利片| 一区二区三区精品91| 欧美人与性动交α欧美精品济南到| 色婷婷av一区二区三区视频| 久久综合国产亚洲精品| 国产亚洲av高清不卡| 免费少妇av软件| 老鸭窝网址在线观看| 精品一区二区免费观看| 日日摸夜夜添夜夜爱| 欧美日韩国产mv在线观看视频| 黑人猛操日本美女一级片| 9热在线视频观看99| 男女午夜视频在线观看| 国产成人一区二区在线| 免费观看av网站的网址| 99热网站在线观看| av国产久精品久网站免费入址| 乱人伦中国视频| 黄片小视频在线播放| 少妇精品久久久久久久| av网站免费在线观看视频| 亚洲,一卡二卡三卡| av在线app专区| 天天躁夜夜躁狠狠久久av| 青春草亚洲视频在线观看| 国产成人系列免费观看| 国产黄色免费在线视频| 亚洲色图综合在线观看| 欧美97在线视频| 久久99精品国语久久久| 亚洲欧美一区二区三区久久| 成人午夜精彩视频在线观看| 亚洲一卡2卡3卡4卡5卡精品中文| 又黄又粗又硬又大视频| 国产在线视频一区二区| av网站在线播放免费| 亚洲av在线观看美女高潮| 久久久亚洲精品成人影院| 又黄又粗又硬又大视频| 黄片小视频在线播放| 大片电影免费在线观看免费| 中文字幕制服av| 在线观看www视频免费| 色网站视频免费| 精品少妇久久久久久888优播| 亚洲国产精品国产精品| 两性夫妻黄色片| 十八禁高潮呻吟视频| 午夜福利在线免费观看网站| 亚洲国产中文字幕在线视频| 免费日韩欧美在线观看| 久久久久精品人妻al黑| 亚洲成国产人片在线观看| 99久久综合免费| 亚洲国产毛片av蜜桃av| 两性夫妻黄色片| 国产1区2区3区精品| 亚洲第一av免费看| 在线观看免费午夜福利视频| 男男h啪啪无遮挡| 久久天堂一区二区三区四区| 色吧在线观看| 狠狠精品人妻久久久久久综合| 叶爱在线成人免费视频播放| 免费观看性生交大片5| 老熟女久久久| 欧美激情高清一区二区三区 | 亚洲人成77777在线视频| 熟女av电影| 国产av码专区亚洲av| 免费不卡黄色视频| 亚洲婷婷狠狠爱综合网| 国产在线一区二区三区精| 观看av在线不卡| 深夜精品福利| 一级毛片 在线播放| 免费黄色在线免费观看| 国产在线视频一区二区| 大片电影免费在线观看免费| 亚洲三区欧美一区| 欧美日韩成人在线一区二区| 美女视频免费永久观看网站| 极品人妻少妇av视频| 伊人久久国产一区二区| 国产精品偷伦视频观看了| 女的被弄到高潮叫床怎么办| 成人国语在线视频| www.自偷自拍.com| 啦啦啦在线观看免费高清www| 亚洲欧美成人精品一区二区| 午夜福利视频精品| 欧美在线一区亚洲| 亚洲国产欧美日韩在线播放| 亚洲成国产人片在线观看| 欧美变态另类bdsm刘玥| 久久97久久精品| av.在线天堂| 侵犯人妻中文字幕一二三四区| 别揉我奶头~嗯~啊~动态视频 | 高清av免费在线| 午夜免费观看性视频| 综合色丁香网| 看十八女毛片水多多多| 在线 av 中文字幕| 男女下面插进去视频免费观看| 久久久精品区二区三区| 日本午夜av视频| 欧美av亚洲av综合av国产av | videos熟女内射| 亚洲美女视频黄频| 男女无遮挡免费网站观看| 熟女少妇亚洲综合色aaa.| 亚洲人成网站在线观看播放| 久久久久久久久免费视频了| 在线天堂最新版资源| 男人爽女人下面视频在线观看| 91aial.com中文字幕在线观看| 久久久久久久大尺度免费视频| 狂野欧美激情性xxxx| 欧美97在线视频| 搡老乐熟女国产| 99国产精品免费福利视频| 如日韩欧美国产精品一区二区三区| 啦啦啦啦在线视频资源| 大香蕉久久成人网| 狂野欧美激情性bbbbbb| 色精品久久人妻99蜜桃| 色播在线永久视频| 久久久国产欧美日韩av| 人人妻人人澡人人看| 久久人人爽人人片av| 中文字幕另类日韩欧美亚洲嫩草| 99久久精品国产亚洲精品| 成人国语在线视频| 亚洲熟女毛片儿| 亚洲精品,欧美精品| 麻豆精品久久久久久蜜桃| 大话2 男鬼变身卡| 欧美精品亚洲一区二区| 国产免费福利视频在线观看| 久久ye,这里只有精品| 日日啪夜夜爽| 高清黄色对白视频在线免费看| 色播在线永久视频| 国产野战对白在线观看| 日本午夜av视频| 美女视频免费永久观看网站| 男女边摸边吃奶| 亚洲欧美中文字幕日韩二区| 美女脱内裤让男人舔精品视频| av在线播放精品| 亚洲久久久国产精品| 亚洲精品国产色婷婷电影| 国产精品香港三级国产av潘金莲 | 久久精品国产亚洲av涩爱| 精品一区在线观看国产| 久久精品aⅴ一区二区三区四区| 日本爱情动作片www.在线观看| 男女床上黄色一级片免费看| 又黄又粗又硬又大视频| 国产精品久久久久久人妻精品电影 | 欧美xxⅹ黑人| www日本在线高清视频| 午夜福利网站1000一区二区三区| 王馨瑶露胸无遮挡在线观看| 国产欧美亚洲国产| 青春草亚洲视频在线观看| 久久国产精品男人的天堂亚洲| av福利片在线| 我要看黄色一级片免费的| 欧美xxⅹ黑人| 亚洲综合色网址| 亚洲av电影在线观看一区二区三区| av在线app专区| 一本色道久久久久久精品综合| 久久久久久人妻| 亚洲伊人久久精品综合| 九九爱精品视频在线观看| 久久这里只有精品19| 十八禁高潮呻吟视频| 国产麻豆69| 国产精品免费视频内射| 国产精品国产三级专区第一集| 亚洲熟女毛片儿| 欧美日韩视频精品一区| 国产精品99久久99久久久不卡 | 欧美亚洲 丝袜 人妻 在线| 一级a爱视频在线免费观看| 欧美日韩一区二区视频在线观看视频在线| 国精品久久久久久国模美| 日韩一区二区视频免费看| 丰满乱子伦码专区| 欧美黑人欧美精品刺激| 亚洲色图综合在线观看| 亚洲av日韩精品久久久久久密 | 午夜福利网站1000一区二区三区| av国产久精品久网站免费入址| 啦啦啦 在线观看视频| 久久精品国产综合久久久| 波野结衣二区三区在线| www日本在线高清视频| 日韩一本色道免费dvd| 国产深夜福利视频在线观看| 国产高清国产精品国产三级| 天堂中文最新版在线下载| 国产欧美日韩一区二区三区在线| 国产精品 欧美亚洲| 午夜福利免费观看在线| 国产亚洲一区二区精品|