• <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 ?

    一種不平衡數(shù)據(jù)集成分類方法

    2018-10-29 11:09王思晨丁家滿
    軟件導(dǎo)刊 2018年8期
    關(guān)鍵詞:分類

    王思晨 丁家滿

    摘要:不平衡數(shù)據(jù)在各個(gè)應(yīng)用領(lǐng)域普遍存在。在處理不平衡數(shù)據(jù)時(shí),破壞原始數(shù)據(jù)的分布特點(diǎn)和丟棄多數(shù)類樣本的潛在信息都會(huì)降低分類精度,為此,提出一種不平衡數(shù)據(jù)集成分類方法。從多數(shù)類樣本中依據(jù)計(jì)算得到的綜合權(quán)重進(jìn)行隨機(jī)采樣,并與少數(shù)類樣本組成新的訓(xùn)練樣本子集;為了保證基分類器的差異性,將投影得到的不同樣本子集作為各個(gè)基分類器的訓(xùn)練樣本,通過多分類器集成學(xué)習(xí)獲得最終分類結(jié)果;在UCI數(shù)據(jù)集下進(jìn)行實(shí)驗(yàn)。結(jié)果表明,該方法不僅能夠提高少數(shù)類樣本的分類性能,而且能夠有效提高整體分類精度。

    關(guān)鍵詞:不平衡數(shù)據(jù);分類;集成學(xué)習(xí);綜合權(quán)重

    DOIDOI:10.11907/rjdk.173258

    中圖分類號(hào):TP301

    文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào)文章編號(hào):1672-7800(2018)008-0076-05

    英文摘要Abstract:Imbalanced data is widespread in various application fields.When dealing with imbalanced data,breaking the distribution characteristics of the original data and discarding the latent information in the majority class samples will decrease classification accuracy.Therefore,in this paper,an integrated classification method for imbalance data is proposed.Firstly we randomly extract from the majority samples based on the calculated comprehensive weight,combine the extracted samples with the minority samples into new training samples; then,in order to ensure the difference between the base classifiers,we use the same subset of projections as the training samples of each base classifier,and get the final classification results by ensemble learning of multiple classifiers.Finally,experiments have been done on UCI data sets and the results show that this method can not only improve the classification performance of the minority class samples,but also effectively improve the overall classification accuracy.

    英文關(guān)鍵詞Key Words:imbalance data;classification;ensemble learning;comprehensive weight

    0 引言

    分類是數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)領(lǐng)域研究的重要內(nèi)容,可以有效幫助人們對(duì)獲取的數(shù)據(jù)進(jìn)行預(yù)測分析、對(duì)未知的模式樣本進(jìn)行判斷識(shí)別。目前,已有許多經(jīng)典的分類算法,例如人工神經(jīng)網(wǎng)絡(luò)、決策樹、支持向量機(jī)(SVM)等,用它們對(duì)平衡數(shù)據(jù)進(jìn)行分類一般都能取得較好的分類效果。但是在實(shí)際應(yīng)用中不平衡數(shù)據(jù)普遍存在于各個(gè)應(yīng)用領(lǐng)域,例如文本分類[1]、疾病診斷[2]以及網(wǎng)絡(luò)入侵檢測[3]等。然而傳統(tǒng)分類算法為了追求總體分類性能,通常只基于平衡數(shù)據(jù)分布或者忽略樣本中的少數(shù)類樣本,從而導(dǎo)致少數(shù)類樣本分類準(zhǔn)確率過低,分類器性能下降[4-7]。因此,研究用于處理不平衡數(shù)據(jù)集的分類方法,有效提高對(duì)少數(shù)類的分類準(zhǔn)確率與分類器的整體性能顯得尤為重要。

    當(dāng)前,不平衡數(shù)據(jù)分類問題的解決思路主要包括改變數(shù)據(jù)分布和改進(jìn)已有分類算法。改變數(shù)據(jù)分布以達(dá)到數(shù)據(jù)平衡最常見的策略有隨機(jī)過采樣(over-sampling)、隨機(jī)欠采樣(under-sampling)[8-9]。隨機(jī)過采樣是指對(duì)少數(shù)類的樣本進(jìn)行復(fù)制,使數(shù)據(jù)集的樣本數(shù)達(dá)到平衡,隨機(jī)欠采樣則以一定策略選取多類樣本中的一個(gè)子集達(dá)到同樣目的。過采樣中應(yīng)用最廣泛的是 Chawla 等[10]提出來的SMOTE 算法,該算法的本質(zhì)是改進(jìn)隨機(jī)過采樣策略,通過擴(kuò)充少數(shù)類樣本集使得樣本數(shù)目達(dá)到均衡。文獻(xiàn)[11]提出基于RSBoost算法的不平衡數(shù)據(jù)分類方法,該方法采用SMOTE算法對(duì)少數(shù)類進(jìn)行過采樣處理,然后對(duì)整個(gè)數(shù)據(jù)集進(jìn)行隨機(jī)欠采樣處理,以改善整個(gè)數(shù)據(jù)集的不平衡性,提高少數(shù)類的分類準(zhǔn)確性。文獻(xiàn)[12]針對(duì)采用隨機(jī)過采樣處理不平衡數(shù)據(jù)后,可能會(huì)導(dǎo)致不平衡數(shù)據(jù)集分布的整體變化以及模糊正負(fù)類邊界問題,提出基于 KM-SMOTE 和隨機(jī)森林的不平衡數(shù)據(jù)分類方法。文獻(xiàn)[13]提出的RUSBoost算法是在AdaBoost算法迭代過程中采用隨機(jī)欠采樣技術(shù)(RUS)從多數(shù)類中隨機(jī)選擇樣本,但不分配新的權(quán)重,從而使算法更加關(guān)注少數(shù)類樣本,該算法具有實(shí)現(xiàn)簡單、訓(xùn)練時(shí)間短等優(yōu)勢,但是在欠采樣中可能會(huì)移除潛在的有用多數(shù)類樣本。文獻(xiàn)[14]提出了EusBoost算法,采用欠采樣方法選擇多數(shù)類樣本中具有代表性的樣本,實(shí)現(xiàn)樣本數(shù)據(jù)平衡,并引入適應(yīng)度函數(shù)保證基分類器的差異性,最終提高不平衡數(shù)據(jù)的分類精度。文獻(xiàn)[15]提出一種新的不平衡數(shù)據(jù)學(xué)習(xí)算法PCBoost,該算法用數(shù)據(jù)合成方法添加合成的少數(shù)類樣本,以平衡訓(xùn)練樣本。文獻(xiàn)[16]提出一種處理不平衡數(shù)據(jù)的欠采樣方法,用以解決因樣本過于集中導(dǎo)致的過擬合問題。文獻(xiàn)[17]提出一種過采樣算法,將過采樣與欠采樣進(jìn)行融合,利用過采樣的優(yōu)點(diǎn)增加少數(shù)類樣本數(shù)量,使分類器能夠更好地提高少數(shù)類的分類性能。文獻(xiàn)[18]提出多類類別不平衡學(xué)習(xí)算法EasyEssemble M,該算法采用多數(shù)類樣本多次隨機(jī)欠采樣方法,學(xué)習(xí)多個(gè)子分類器提高分類效果。雖然以上通過改變數(shù)據(jù)分布達(dá)到數(shù)據(jù)平衡的算法能夠在一定程度上解決多類類別不平衡問題,但是存在一定的局限性:簡單機(jī)械地采樣將破壞原始數(shù)據(jù)的分布特點(diǎn),移除過多的多類樣本將會(huì)導(dǎo)致信息丟失[19]。

    現(xiàn)有不平衡數(shù)據(jù)處理方法的另一種思路是改進(jìn)已有分類算法。如文獻(xiàn)[20]在AdaBoost算法基礎(chǔ)上使用基于級(jí)聯(lián)模型的分類器,以逐步縮小多類別,使數(shù)據(jù)集趨于平衡,通過迭代訓(xùn)練得到一系列分類器并以集成方式對(duì)預(yù)測樣本進(jìn)行分類。文獻(xiàn)[21,22]針對(duì)現(xiàn)有AdaBoost系列算法未考慮類的先驗(yàn)分布問題,改進(jìn)并提出了不平衡分類問題連續(xù)AdaBoost算法。文獻(xiàn)[23]在SVM分類算法基礎(chǔ)上,針對(duì)不平衡數(shù)據(jù)導(dǎo)致SVM的分類超平面偏移問題,提出了一種改進(jìn) SVM-KNN 算法。這些改進(jìn)方法能夠在某種程度上提高分類精度,但泛化性不夠強(qiáng)大,并且算法參數(shù)和閾值的設(shè)定或選取存在一定主觀性,稍有不當(dāng)將破壞原始數(shù)據(jù)的分布特點(diǎn)且無法充分利用多數(shù)類樣本潛在信息[24]。

    綜上所述,雖然以上兩種思路及方法能夠在特定環(huán)境下一定程度上解決數(shù)據(jù)不平衡問題,但是數(shù)據(jù)平衡按比例機(jī)械地抽樣將破壞原始數(shù)據(jù)的分布特點(diǎn),而對(duì)多數(shù)類樣本進(jìn)行簡單抽樣則可能移除潛在有用分類信息,導(dǎo)致分類效率低、分類精度差等問題。

    針對(duì)上述問題,本文提出一種不平衡數(shù)據(jù)集成分類方法(Integrated Classification Method for Imbalanced Data,簡稱ICMID),首先多數(shù)類樣本中依照多數(shù)類樣本的權(quán)重以及少數(shù)類樣本得到的綜合權(quán)重進(jìn)行不放回隨機(jī)抽取,并與少數(shù)類樣本組成訓(xùn)練樣本集;再隨機(jī)選取若干項(xiàng)特征構(gòu)造特征子集,將特征子集對(duì)訓(xùn)練樣本子集進(jìn)行投影,得到的對(duì)應(yīng)特征子集樣本作為算法訓(xùn)練基分類器的訓(xùn)練樣本,經(jīng)過多次迭代產(chǎn)生多個(gè)弱分類器,通過弱分類器權(quán)重投票得出最終輸出結(jié)果。因此,在保證基分類器差異性的前提下,提高了少數(shù)類的分類準(zhǔn)確率,還挖掘了多數(shù)類樣本中的潛在有用信息。

    1 問題描述與建模

    2 不平衡數(shù)據(jù)集成分類方法

    為了保持原始數(shù)據(jù)的分布特點(diǎn),更好地利用潛在有用的分類信息,保證集成學(xué)習(xí)中各分類器之間的差異性,本文提出基于綜合權(quán)重的不平衡數(shù)據(jù)集成分類方法。主要包括3個(gè)階段:①去除多數(shù)類中的噪聲樣本;②通過綜合樣本權(quán)重抽取多數(shù)類樣本生成合成樣本集;③訓(xùn)練不同的基分類器進(jìn)行集成分類。具體流程如圖1。

    2.1 不平衡數(shù)據(jù)處理

    為了保持原有樣本的分布特點(diǎn),同時(shí)又能更好地利用多數(shù)類樣本中潛在有用的信息,在不平衡數(shù)據(jù)處理階段,首先循環(huán)隨機(jī)選取n個(gè)特征子集,然后按照少數(shù)類樣本的數(shù)量和多數(shù)類樣本中每個(gè)類別樣本數(shù)量占比計(jì)算綜合權(quán)重,并依據(jù)綜合權(quán)重抽取每一類別的樣本數(shù)量,再將少數(shù)類樣本與抽取的樣本組合,使少數(shù)類樣本在訓(xùn)練樣本中所占比例升高,重復(fù)抽取M次,最后獲得處理過的訓(xùn)練樣本子集和特征子集。具體過程見算法1。

    為了增強(qiáng)分類器之間的差異性以及提高分類準(zhǔn)確率,做法如下:第一,根據(jù)特征子集Fi對(duì)訓(xùn)練樣本子集D′j進(jìn)行投影,得到相對(duì)應(yīng)特征子集的樣本Yij,將該樣本作為訓(xùn)練基分類器的樣本;第二,初始化樣本權(quán)重;第三,通過T次迭代訓(xùn)練得到多個(gè)弱分類器,在每次迭代中計(jì)算每個(gè)基分類器的錯(cuò)誤率,判斷分類錯(cuò)誤率是否超過給定閾值,當(dāng)超過給定閾值時(shí),說明該部分樣本分類困難,則退出迭代過程進(jìn)行下一輪,當(dāng)錯(cuò)誤率小于給定閾值時(shí),依據(jù)錯(cuò)誤率更新權(quán)重;第四,依據(jù)所有基分類器錯(cuò)誤率以及分類正確的樣本個(gè)數(shù)綜合計(jì)算投票權(quán)重,得出最終輸出結(jié)果。具體過程見算法2。

    3 實(shí)驗(yàn)與結(jié)果

    3.1 實(shí)驗(yàn)數(shù)據(jù)

    為評(píng)價(jià)本文方法對(duì)不平衡數(shù)據(jù)集分類問題的有效性,選擇6個(gè)少數(shù)類和多數(shù)類樣本比例不平衡的數(shù)據(jù)集進(jìn)行實(shí)驗(yàn),數(shù)據(jù)集來源于 UCI 機(jī)器學(xué)習(xí)數(shù)據(jù)庫,見表1。其中數(shù)據(jù)集樣本數(shù)用#Ex表示,#F代表特征數(shù),#Minority代表少數(shù)類樣本數(shù),#R代表少數(shù)類樣本占數(shù)據(jù)集的比重。采用決策樹C4.5算法以及AdaBoost.M1算法進(jìn)行對(duì)照,Adaboost.M1迭代時(shí)用 C4.5 作為基分類器,迭代 20次,此外還對(duì)數(shù)據(jù)采用十交叉驗(yàn)證。其中,C4.5決策樹算法直接對(duì)不平衡數(shù)據(jù)集進(jìn)行分類,基分類器算法使用C4.5算法,利用weka平臺(tái)中J48分類器實(shí)現(xiàn)。

    3.2 評(píng)估指標(biāo)

    采用查全率、查準(zhǔn)率和F-measure作為評(píng)價(jià)分類器性能的指標(biāo),其在機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘等領(lǐng)域應(yīng)用廣泛,能被廣大學(xué)者接受。傳統(tǒng)的二分類評(píng)價(jià)指標(biāo)基于混淆矩陣,在不平衡數(shù)據(jù)集中正類和反類分別代表少數(shù)類和多數(shù)類。TP和 TN分別表示正確分類的正類和反類樣本個(gè)數(shù);FP表示誤分為正類的樣本個(gè)數(shù);FN表示誤分為負(fù)類的樣本個(gè)數(shù),見表2。

    3.3 實(shí)驗(yàn)結(jié)果分析

    在不平衡數(shù)據(jù)集中,多數(shù)類樣本個(gè)數(shù)遠(yuǎn)遠(yuǎn)多于少數(shù)類,傳統(tǒng)分類算法預(yù)測會(huì)傾向于多數(shù)類,如把所有樣本分為多數(shù)類,依然會(huì)獲得很高的分類精度,但是卻不能識(shí)別一個(gè)少數(shù)類。因此在處理不平衡數(shù)據(jù)時(shí),提高少數(shù)類樣本在訓(xùn)練樣本中所占比重,能夠有效提高少數(shù)類樣本的分類性能。從表3及圖2可以看出,不平衡數(shù)據(jù)經(jīng)過處理后,每個(gè)數(shù)據(jù)集訓(xùn)練樣本中少數(shù)類樣本的比例明顯提高。

    從表4和表5可以看出,AdaBoos.M1算法在Segment、Vehicle數(shù)據(jù)集上的查準(zhǔn)率偏低,而C4.5算法在Segment、Sick數(shù)據(jù)集上有較高的查準(zhǔn)率和查全率。同AdaBoost.M1和C4.5算法相比較,本文算法在Balance-scale 、Satimage以及Yeast 數(shù)據(jù)集上的查準(zhǔn)率具有顯著優(yōu)勢。在這幾個(gè)數(shù)據(jù)集上,本文算法顯著優(yōu)于AdaBoost.M1算法,在Segment 、Sick數(shù)據(jù)集上與C4.5算法水平相當(dāng)。

    表6是幾種不同方法在不平衡數(shù)據(jù)分類性能中評(píng)估指標(biāo)F-measure的分類結(jié)果比較。只有當(dāng)查全率和查準(zhǔn)率都較大時(shí),F(xiàn)-measure才會(huì)相應(yīng)地較大。因此,F(xiàn)-measure可以合理地評(píng)價(jià)分類器對(duì)于少數(shù)類的分類性能。本文提出采用基于綜合權(quán)重采樣和集成學(xué)習(xí)相結(jié)合的方法處理不平衡數(shù)據(jù)的分類問題,相較于其它兩種方法,分類性能得到大幅度提升。比如在數(shù)據(jù)集Satimage、Sick以及Yeast中比其它兩種算法提高了10%以上。

    文獻(xiàn)[15]提出處理不平衡數(shù)據(jù)的PCBoost算法在每次迭代初始,利用數(shù)據(jù)合成方法添加合成的少數(shù)類樣本達(dá)到平衡。其在數(shù)據(jù)集Satimage、Segment以及Vehicle中,與本文算法在F-measure方面的比較見圖3。從圖3可以看出,本文算法在數(shù)據(jù)集Satimage中明顯高于PCBoost算法,但是在數(shù)據(jù)集Vehicle明顯低于PCBoost算法,而在數(shù)據(jù)集Segment中兩種方法水平相當(dāng)。對(duì)于每一個(gè)數(shù)據(jù)集,PCBoost算法在實(shí)驗(yàn)中選取不同的迭代次數(shù)以獲得最佳預(yù)測性能的分類器,使其在某些數(shù)據(jù)集上比本文算法取得更為明顯的效果。

    5 結(jié)語

    為了保持原始數(shù)據(jù)的分布特點(diǎn),更好地利用潛在有用的分類信息,保證集成學(xué)習(xí)中各分類器之間的差異性,本文采用基于綜合權(quán)重采樣與集成學(xué)習(xí)相結(jié)合的方法處理不平衡數(shù)據(jù)分類問題。通過UCI數(shù)據(jù)集實(shí)驗(yàn),以查全率、查準(zhǔn)率和F-measure為度量對(duì)算法進(jìn)行評(píng)價(jià),與決策樹算法、AdaBoost.M1算法以及PCBoost算法進(jìn)行比較,實(shí)驗(yàn)結(jié)果表明本文方法不僅能夠提高少數(shù)類樣本的分類性能,而且能夠有效提高整體分類精度。

    在不平衡數(shù)據(jù)處理階段,本文隨機(jī)選擇特征構(gòu)成特征子集,并沒有考慮到每個(gè)特征對(duì)類的貢獻(xiàn)程度以及特征與特征之間對(duì)類的貢獻(xiàn)程度;另外還未考慮分類效率問題。因此,將來需考慮對(duì)特征的選擇以及提高分類效率,以進(jìn)一步提高該方法的泛化性能。

    參考文獻(xiàn):

    [1] KIM H,HOWLAND P,PARK H.Dimension reduction in text classification with support vector machine[J].Journal of Machine Learning Research,2005,6(1):37-53.

    [2] 鄒權(quán),郭茂祖,劉揚(yáng),等.類別不平衡的分類方法及在生物信息學(xué)中的應(yīng)用[J].計(jì)算機(jī)研究與發(fā)展,2010,47(8):1407-1414.

    [3] 陸悠,李偉,羅軍舟,等.一種基于選擇性協(xié)同學(xué)習(xí)的網(wǎng)絡(luò)用戶異常行為檢測方法[J].計(jì)算機(jī)學(xué)報(bào),2014,37(1):28-40.

    [4] CHAWLA N V,JAPKOWICA N,KOTCZ A.Editorial:special issue on learning from imbalanced data sets[J].ACM SIGKDD Explorations Newslettter,2004,6(1):1-6.

    [5] HE H B,EDWARDO A G.Learning from imbalanced data[J].IEEE Transactions on Knowledge and Data Engineering,2009,21(9):1263-1284.

    [6] 陶新民,郝思媛,張冬雪,等.不均衡數(shù)據(jù)分類算法的綜述[J].重慶郵電大學(xué)學(xué)報(bào):自然科學(xué)版,2013,25(1):102-110.

    [7] CEDER A,HASSOLD S,DANO R.Approaching even-load and even-head way transit timetables using different bus sizes[J].Public Transport,2013,5(3):193-217.

    [8] 林智勇,郝志峰,楊曉偉.不平衡數(shù)據(jù)分類的研究現(xiàn)狀[J].計(jì)算機(jī)應(yīng)用研究,2008,25(2):332-336.

    [9] 錢洪波,賀廣南.非平衡類數(shù)據(jù)分類概述[J].計(jì)算機(jī)工程與科學(xué),2010,32(5):85-88.

    [10] CHAWLA N V,BOWYER K W,HALL L O,et al.SMOTE: synthetic minority over-sampling technique[J].Journal of Artificial Intelligence Research,2002,16(1):321-357.

    [11] 李克文,楊磊,劉文英,等.基于RSBoost算法的不平衡數(shù)據(jù)分類方法[J].計(jì)算機(jī)科學(xué),2015,42(9):249-252.

    [12] CHEN B,SU Y D,HUANG S.Classification of imbalance data based on KM-SMOTE algorithm and random forest[J].Computer Technology And Development,2015,9(25):17-21.

    [13] SEIFFERTC,KHOSHOFTAARTM,VAN H,et al.RUBoost:a hybrida approach total levitating classing balance[J].IEEE Tran on Systems,Man and Cybernetics,PartA:Systems and Humans,2010,40(1):185-197.

    [14] GALAR M,F(xiàn)ERNNDEZ A,BARRENCHEA E,et al.EUSBoost:enchancing ensembles for highly imbalanced data-sets by evolutionary under sampling[J].Pattern Recognition,2013,46(12):3460-3471.

    [15] 李雄飛,李軍,董元方,等.一種新的不平衡數(shù)據(jù)學(xué)習(xí)算法PCBoost[J].計(jì)算機(jī)學(xué)報(bào),2012,35(2):2202-2209.

    [16] LIN S Y,LI C H,JIANG Y,et al.Under-sampling method research in class-imbalanced data[J].Journal of Computer Research and Development,2011,48(2):47-53.

    [17] HAN H,WANG W Y,MAO B H.Over-sampling algorithm based on AdaBoost in unbalanced data set[J].Computer Engineering,2007,10(33):207-209.

    [18] 李倩倩,劉胥影.多類類別不平衡學(xué)習(xí)算法:EasyEnsemble.M [J].模式識(shí)別與人工智能,2014(2):187-192.

    [19] 胡小生,溫菊屏,鐘勇.動(dòng)態(tài)平衡采樣的不平衡數(shù)據(jù)集成分類方法[J].智能系統(tǒng)學(xué)報(bào),2016,11(2):257-263.

    [20] 劉胥影,吳建鑫,周志華.一種基于級(jí)聯(lián)模型的類別不平衡數(shù)據(jù)分類方法[J].南京大學(xué)學(xué)報(bào):自然科學(xué)版,2006,42(2):148-155.

    [21] FU Z L.Real AdaBoost algorithm for multiclass and imbalanced classification problems[J].Journal of Computer Research and Development,2011,48(12):2326-2333.

    [22] 凌曉峰,SHENG V S.代價(jià)敏感分類器的比較研究[J].計(jì)算機(jī)學(xué)報(bào),2007,30(8):1203-1212.

    [23] WANG C X,ZHANG T,MA C.Improved SVM-KNN algorithm for imbalanced datasets classification[J].Computer Engineering and Applications,2016,52(4):51-55.

    [24] 馬彪,周瑜,賀建軍.面向大規(guī)模類不平衡數(shù)據(jù)的變分高斯過程分類算法[J].大連理工大學(xué)學(xué)報(bào),2016,56(3):279-284.

    (責(zé)任編輯:何 麗)

    猜你喜歡
    分類
    2021年本刊分類總目錄
    分類算一算
    垃圾分類的困惑你有嗎
    星星的分類
    我給資源分分類
    垃圾分類不能有“中梗阻”
    分類討論求坐標(biāo)
    數(shù)據(jù)分析中的分類討論
    說說分類那些事
    亚洲成人中文字幕在线播放| 亚洲人成网站高清观看| 亚洲国产欧洲综合997久久,| 夜夜看夜夜爽夜夜摸| 可以在线观看毛片的网站| 熟女人妻精品中文字幕| 久久久精品欧美日韩精品| 91aial.com中文字幕在线观看| 一级毛片我不卡| 可以在线观看毛片的网站| 日韩一区二区三区影片| 人人妻人人澡欧美一区二区| 九九爱精品视频在线观看| 国产av不卡久久| 国产亚洲5aaaaa淫片| 亚洲国产日韩欧美精品在线观看| 爱豆传媒免费全集在线观看| 成年版毛片免费区| 国产久久久一区二区三区| 麻豆精品久久久久久蜜桃| 51国产日韩欧美| 免费观看a级毛片全部| 天堂影院成人在线观看| 青青草视频在线视频观看| 精品人妻偷拍中文字幕| 成人高潮视频无遮挡免费网站| 成人特级av手机在线观看| 日本黄大片高清| 免费看光身美女| 中文字幕人妻熟人妻熟丝袜美| 麻豆成人午夜福利视频| 两个人视频免费观看高清| 久久精品国产自在天天线| 看免费成人av毛片| 亚洲国产成人一精品久久久| 偷拍熟女少妇极品色| 美女国产视频在线观看| 热99re8久久精品国产| 亚洲中文字幕日韩| 久久久久免费精品人妻一区二区| 亚洲av一区综合| 日本色播在线视频| 赤兔流量卡办理| 少妇熟女欧美另类| 久久久久久国产a免费观看| 亚洲精品久久久久久婷婷小说 | 亚洲人成网站在线播| 老司机影院成人| 免费观看性生交大片5| 亚州av有码| 婷婷色麻豆天堂久久 | 国产精品综合久久久久久久免费| 欧美另类亚洲清纯唯美| 国产在视频线精品| 嫩草影院精品99| 国产成人91sexporn| 精品少妇黑人巨大在线播放 | 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 亚洲精华国产精华液的使用体验| 美女高潮的动态| 久久精品久久精品一区二区三区| 舔av片在线| 精品久久国产蜜桃| 中文天堂在线官网| 在线播放无遮挡| 一级黄片播放器| 视频中文字幕在线观看| 又粗又硬又长又爽又黄的视频| 日韩av不卡免费在线播放| 欧美3d第一页| 我要看日韩黄色一级片| 菩萨蛮人人尽说江南好唐韦庄 | 亚洲成人av在线免费| 国产精品不卡视频一区二区| 精品久久久噜噜| 亚洲国产精品国产精品| 中文字幕免费在线视频6| 非洲黑人性xxxx精品又粗又长| 一夜夜www| 国产女主播在线喷水免费视频网站 | 美女被艹到高潮喷水动态| 免费黄色在线免费观看| av国产久精品久网站免费入址| 听说在线观看完整版免费高清| 日日啪夜夜撸| 麻豆成人av视频| 免费观看精品视频网站| 最近最新中文字幕大全电影3| 哪个播放器可以免费观看大片| 亚洲人成网站在线观看播放| 国产在视频线在精品| 精品人妻一区二区三区麻豆| 免费观看精品视频网站| 99久久成人亚洲精品观看| 91久久精品国产一区二区成人| 国产精品精品国产色婷婷| 日韩强制内射视频| 国产精品无大码| 久久久久久久国产电影| 国产成人精品婷婷| 亚洲中文字幕日韩| 网址你懂的国产日韩在线| 久久精品国产亚洲av涩爱| 成年免费大片在线观看| 亚洲人与动物交配视频| 老司机影院成人| 国产麻豆成人av免费视频| 大香蕉97超碰在线| 精品一区二区三区视频在线| 免费黄色在线免费观看| 午夜精品在线福利| 久久午夜福利片| 一边摸一边抽搐一进一小说| 国产精品日韩av在线免费观看| 亚洲av.av天堂| 国产男人的电影天堂91| 亚洲av福利一区| 午夜福利在线观看免费完整高清在| 国产在线男女| 青春草视频在线免费观看| 中国美白少妇内射xxxbb| 联通29元200g的流量卡| 九九爱精品视频在线观看| 免费黄色在线免费观看| 2021少妇久久久久久久久久久| 丰满少妇做爰视频| 欧美成人一区二区免费高清观看| 69av精品久久久久久| 久久久久久大精品| www日本黄色视频网| 日本免费一区二区三区高清不卡| 久久这里有精品视频免费| 乱码一卡2卡4卡精品| 亚洲不卡免费看| 国产一级毛片在线| 青春草国产在线视频| 能在线免费观看的黄片| 国产淫片久久久久久久久| 男人的好看免费观看在线视频| 好男人视频免费观看在线| 欧美激情在线99| 午夜亚洲福利在线播放| 久久久精品欧美日韩精品| 一级毛片电影观看 | 亚洲精品国产成人久久av| 日日啪夜夜撸| 九九在线视频观看精品| 成年女人看的毛片在线观看| 日韩av在线免费看完整版不卡| 夜夜爽夜夜爽视频| 又爽又黄a免费视频| 亚洲av电影不卡..在线观看| 亚洲国产精品国产精品| 老女人水多毛片| 中文字幕免费在线视频6| 秋霞在线观看毛片| 如何舔出高潮| 日韩一区二区视频免费看| 国产成人a区在线观看| 国产成人aa在线观看| 狠狠狠狠99中文字幕| 久久久久久久午夜电影| 乱人视频在线观看| 成人无遮挡网站| 成人三级黄色视频| 精品久久久久久电影网 | 免费在线观看成人毛片| 婷婷色av中文字幕| 午夜福利成人在线免费观看| av黄色大香蕉| 老女人水多毛片| 色5月婷婷丁香| 在线观看66精品国产| 身体一侧抽搐| 欧美一区二区精品小视频在线| 男的添女的下面高潮视频| 中文字幕av成人在线电影| 人人妻人人澡欧美一区二区| 久久久久久久久大av| 综合色av麻豆| 爱豆传媒免费全集在线观看| 久久久久久伊人网av| АⅤ资源中文在线天堂| 乱人视频在线观看| 免费观看人在逋| 日韩av在线大香蕉| 2021少妇久久久久久久久久久| 99在线视频只有这里精品首页| 国产午夜精品久久久久久一区二区三区| 小说图片视频综合网站| 亚洲成色77777| h日本视频在线播放| 精品国产一区二区三区久久久樱花 | 亚洲av.av天堂| 国产成人91sexporn| 久久人人爽人人爽人人片va| 一级毛片电影观看 | 麻豆成人午夜福利视频| 性色avwww在线观看| 欧美xxxx黑人xx丫x性爽| 丰满少妇做爰视频| 国产精品国产三级国产专区5o | 国产极品天堂在线| ponron亚洲| 国产午夜精品久久久久久一区二区三区| 亚洲欧洲国产日韩| 麻豆国产97在线/欧美| or卡值多少钱| 欧美性猛交黑人性爽| 97在线视频观看| 97在线视频观看| 99久久无色码亚洲精品果冻| 亚洲国产精品成人久久小说| 久久人人爽人人片av| 桃色一区二区三区在线观看| 高清毛片免费看| 国产伦精品一区二区三区四那| 在线a可以看的网站| 日本-黄色视频高清免费观看| 黄片无遮挡物在线观看| 日本猛色少妇xxxxx猛交久久| 18禁裸乳无遮挡免费网站照片| av女优亚洲男人天堂| 麻豆av噜噜一区二区三区| 久久人妻av系列| 亚洲精华国产精华液的使用体验| 看免费成人av毛片| 国产精品国产三级专区第一集| 色吧在线观看| 一个人免费在线观看电影| 亚洲最大成人手机在线| 久久久久网色| 国产成人福利小说| 99国产精品一区二区蜜桃av| 国产淫片久久久久久久久| 内地一区二区视频在线| 又爽又黄a免费视频| 观看免费一级毛片| 欧美日本视频| 国产老妇女一区| 国产av在哪里看| www.色视频.com| 我要看日韩黄色一级片| 男人的好看免费观看在线视频| 99热6这里只有精品| 色尼玛亚洲综合影院| 国产在线一区二区三区精 | 少妇的逼水好多| 国产探花极品一区二区| 色网站视频免费| 日本免费一区二区三区高清不卡| 91av网一区二区| 国产一区亚洲一区在线观看| 狂野欧美激情性xxxx在线观看| 久久韩国三级中文字幕| 国产片特级美女逼逼视频| 国产69精品久久久久777片| 尤物成人国产欧美一区二区三区| 美女被艹到高潮喷水动态| 大香蕉久久网| .国产精品久久| 日韩人妻高清精品专区| 99久久中文字幕三级久久日本| 观看美女的网站| 人妻少妇偷人精品九色| 久久精品熟女亚洲av麻豆精品 | 免费看美女性在线毛片视频| 岛国在线免费视频观看| 最近的中文字幕免费完整| 国产精品麻豆人妻色哟哟久久 | 中国美白少妇内射xxxbb| 精品少妇黑人巨大在线播放 | 午夜福利视频1000在线观看| 国产精品久久久久久久久免| videos熟女内射| 大又大粗又爽又黄少妇毛片口| 中文字幕久久专区| 午夜久久久久精精品| 国产成人一区二区在线| 永久免费av网站大全| 久久久久久久久大av| 免费观看人在逋| 一区二区三区四区激情视频| 非洲黑人性xxxx精品又粗又长| 久久久a久久爽久久v久久| 免费av不卡在线播放| av在线蜜桃| 亚洲av福利一区| 国产精品嫩草影院av在线观看| 亚洲av成人精品一区久久| 99九九线精品视频在线观看视频| 国产精品久久视频播放| 少妇熟女欧美另类| 欧美高清成人免费视频www| 美女脱内裤让男人舔精品视频| 亚洲乱码一区二区免费版| 我要看日韩黄色一级片| 热99re8久久精品国产| 免费人成在线观看视频色| 国产高潮美女av| 久久精品综合一区二区三区| 国产综合懂色| 国产伦一二天堂av在线观看| 国产精品一区二区性色av| 亚洲美女视频黄频| 狂野欧美激情性xxxx在线观看| 亚洲精品影视一区二区三区av| 国产乱来视频区| 日本一本二区三区精品| 女人久久www免费人成看片 | 视频中文字幕在线观看| 简卡轻食公司| 又黄又爽又刺激的免费视频.| 亚洲欧美日韩东京热| av在线蜜桃| 成人三级黄色视频| av免费在线看不卡| 综合色丁香网| 青春草国产在线视频| 中文资源天堂在线| 亚洲精品久久久久久婷婷小说 | 最近最新中文字幕免费大全7| 美女黄网站色视频| 一个人免费在线观看电影| 午夜a级毛片| 久久人妻av系列| 色5月婷婷丁香| 亚洲精品,欧美精品| 高清av免费在线| 久久精品夜色国产| 亚洲人成网站高清观看| 在线观看66精品国产| 久久这里只有精品中国| 一二三四中文在线观看免费高清| 一区二区三区乱码不卡18| 91精品国产九色| 午夜免费男女啪啪视频观看| 亚洲成人av在线免费| 在线观看一区二区三区| 免费观看人在逋| 免费看av在线观看网站| 亚洲性久久影院| 永久网站在线| 免费观看在线日韩| 村上凉子中文字幕在线| 成年女人永久免费观看视频| 亚洲四区av| 99热这里只有是精品50| 亚洲经典国产精华液单| 五月伊人婷婷丁香| 亚洲精品影视一区二区三区av| 尤物成人国产欧美一区二区三区| 成人一区二区视频在线观看| 成年版毛片免费区| 国产不卡一卡二| 99国产精品一区二区蜜桃av| 蜜桃亚洲精品一区二区三区| 日韩国内少妇激情av| 国产 一区精品| 日韩成人av中文字幕在线观看| 又爽又黄无遮挡网站| 啦啦啦观看免费观看视频高清| 我的老师免费观看完整版| 亚洲欧洲日产国产| 99热这里只有是精品在线观看| 国产 一区 欧美 日韩| 少妇高潮的动态图| 国产不卡一卡二| 国产高清有码在线观看视频| 成人鲁丝片一二三区免费| 国产又色又爽无遮挡免| 久久精品人妻少妇| 一级毛片电影观看 | 三级国产精品片| 免费一级毛片在线播放高清视频| 纵有疾风起免费观看全集完整版 | 久久6这里有精品| 国产中年淑女户外野战色| 久久精品国产亚洲av天美| 亚洲最大成人中文| 欧美日本亚洲视频在线播放| 亚洲av成人av| 2021少妇久久久久久久久久久| 亚洲国产精品国产精品| 黄色配什么色好看| 日本色播在线视频| 成人漫画全彩无遮挡| 在线免费观看不下载黄p国产| 亚洲三级黄色毛片| 成年女人看的毛片在线观看| 深夜a级毛片| 在线免费观看的www视频| 一二三四中文在线观看免费高清| 中文字幕制服av| 女人久久www免费人成看片 | 久久综合国产亚洲精品| 亚洲va在线va天堂va国产| 久久草成人影院| 亚洲,欧美,日韩| 最新中文字幕久久久久| av国产久精品久网站免费入址| 99久久成人亚洲精品观看| 久久久久免费精品人妻一区二区| 日本免费一区二区三区高清不卡| 精品午夜福利在线看| 人妻少妇偷人精品九色| 国产精品人妻久久久久久| 国产精品福利在线免费观看| 在线免费观看的www视频| 99在线人妻在线中文字幕| 免费大片18禁| 能在线免费观看的黄片| 波多野结衣巨乳人妻| 亚洲激情五月婷婷啪啪| 免费大片18禁| 最近2019中文字幕mv第一页| 色视频www国产| 97超碰精品成人国产| 男女啪啪激烈高潮av片| 国产高清国产精品国产三级 | 国产亚洲精品久久久com| 亚洲人成网站在线观看播放| 日本午夜av视频| 日本免费a在线| 亚洲一区高清亚洲精品| 18+在线观看网站| 亚洲经典国产精华液单| 九九久久精品国产亚洲av麻豆| 午夜福利视频1000在线观看| av专区在线播放| 欧美bdsm另类| 日韩av在线大香蕉| 亚洲人成网站在线播| 中文亚洲av片在线观看爽| 国产亚洲午夜精品一区二区久久 | 寂寞人妻少妇视频99o| 国产精品久久久久久久电影| 久久这里只有精品中国| 亚洲va在线va天堂va国产| 看黄色毛片网站| 国产精品av视频在线免费观看| 免费观看人在逋| 成年av动漫网址| 亚洲欧美精品自产自拍| 狂野欧美激情性xxxx在线观看| 如何舔出高潮| 夜夜看夜夜爽夜夜摸| a级毛片免费高清观看在线播放| 国产单亲对白刺激| 老司机影院毛片| 国产成人精品婷婷| 美女高潮的动态| .国产精品久久| 亚洲国产欧美人成| 特大巨黑吊av在线直播| 欧美三级亚洲精品| 国产高清国产精品国产三级 | 少妇熟女欧美另类| 国产熟女欧美一区二区| 国产一区二区在线av高清观看| 老司机福利观看| 亚洲国产精品合色在线| 九九久久精品国产亚洲av麻豆| 国产片特级美女逼逼视频| 亚洲成av人片在线播放无| 日本wwww免费看| 久99久视频精品免费| 啦啦啦韩国在线观看视频| 国产黄a三级三级三级人| 美女内射精品一级片tv| a级一级毛片免费在线观看| 日本wwww免费看| 99热6这里只有精品| 一个人看的www免费观看视频| 色综合站精品国产| 国产在线一区二区三区精 | 亚洲av成人精品一二三区| 五月玫瑰六月丁香| 青春草国产在线视频| 国产一级毛片七仙女欲春2| av视频在线观看入口| 小蜜桃在线观看免费完整版高清| 精品久久久久久电影网 | 三级国产精品欧美在线观看| 69av精品久久久久久| 少妇的逼水好多| 亚洲伊人久久精品综合 | 一级毛片aaaaaa免费看小| 亚洲国产精品sss在线观看| 国产真实乱freesex| 欧美日韩综合久久久久久| 最近中文字幕高清免费大全6| 天堂av国产一区二区熟女人妻| 亚洲av男天堂| 女人被狂操c到高潮| 纵有疾风起免费观看全集完整版 | 免费看a级黄色片| 男人和女人高潮做爰伦理| 日本熟妇午夜| or卡值多少钱| 美女被艹到高潮喷水动态| 久久久久久伊人网av| 免费在线观看成人毛片| 久久精品91蜜桃| 日本爱情动作片www.在线观看| 黄色欧美视频在线观看| 日本wwww免费看| 韩国高清视频一区二区三区| 性色avwww在线观看| 赤兔流量卡办理| 我的女老师完整版在线观看| 欧美丝袜亚洲另类| h日本视频在线播放| 淫秽高清视频在线观看| 老女人水多毛片| av免费观看日本| 狂野欧美白嫩少妇大欣赏| 美女脱内裤让男人舔精品视频| 青青草视频在线视频观看| 成人美女网站在线观看视频| 色噜噜av男人的天堂激情| 99热6这里只有精品| 亚洲国产高清在线一区二区三| 国产高清有码在线观看视频| 国产在线男女| 国产一区亚洲一区在线观看| 精品99又大又爽又粗少妇毛片| 久久欧美精品欧美久久欧美| 99久久精品国产国产毛片| 亚洲欧美日韩东京热| 97在线视频观看| 国产探花在线观看一区二区| 高清日韩中文字幕在线| 99久国产av精品| 国产极品天堂在线| 日韩 亚洲 欧美在线| 中文天堂在线官网| 老司机影院成人| 亚洲电影在线观看av| 97热精品久久久久久| 欧美最新免费一区二区三区| 女人十人毛片免费观看3o分钟| 青春草视频在线免费观看| 热99在线观看视频| 亚洲欧美精品综合久久99| 久久欧美精品欧美久久欧美| 人妻少妇偷人精品九色| 国产精品一区二区性色av| 免费观看的影片在线观看| 精品国产露脸久久av麻豆 | 又粗又爽又猛毛片免费看| 午夜精品在线福利| 在线a可以看的网站| 日韩av在线大香蕉| 黄色配什么色好看| 91在线精品国自产拍蜜月| 亚洲在久久综合| 视频中文字幕在线观看| 亚洲无线观看免费| 亚洲精品国产成人久久av| 看片在线看免费视频| 亚洲精品乱久久久久久| 内地一区二区视频在线| 只有这里有精品99| 乱系列少妇在线播放| 国产免费福利视频在线观看| 大香蕉97超碰在线| 国产午夜福利久久久久久| 午夜精品在线福利| 国产午夜福利久久久久久| 国产亚洲精品久久久com| 在线观看66精品国产| 亚洲高清免费不卡视频| 中文资源天堂在线| 嫩草影院精品99| 在线播放无遮挡| 中国国产av一级| kizo精华| 听说在线观看完整版免费高清| 国产伦在线观看视频一区| 一级二级三级毛片免费看| 中文字幕av在线有码专区| 激情 狠狠 欧美| 国产午夜精品论理片| 亚洲av一区综合| 国产探花极品一区二区| 久久精品久久精品一区二区三区| 伦精品一区二区三区| 一夜夜www| 人妻制服诱惑在线中文字幕| 久久韩国三级中文字幕| 在线天堂最新版资源| 欧美zozozo另类| 夫妻性生交免费视频一级片| 午夜福利在线观看吧| 在线天堂最新版资源| 99久国产av精品国产电影| 身体一侧抽搐| av女优亚洲男人天堂| 国内少妇人妻偷人精品xxx网站| 亚洲欧美日韩高清专用| 1000部很黄的大片| 三级毛片av免费| 黄片无遮挡物在线观看| 嘟嘟电影网在线观看| 男女下面进入的视频免费午夜| 亚洲国产精品久久男人天堂| 精品国产三级普通话版| 亚洲图色成人| 色综合亚洲欧美另类图片| 午夜久久久久精精品| 国产精品人妻久久久影院| 国产淫语在线视频| 久久久久久久午夜电影| 麻豆成人av视频|