• <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
    99re6热这里在线精品视频| 97在线人人人人妻| 超色免费av| 中文字幕人妻丝袜制服| 熟女av电影| 久久精品国产a三级三级三级| 久久精品熟女亚洲av麻豆精品| 亚洲精华国产精华液的使用体验| 波多野结衣av一区二区av| 一区福利在线观看| 久久久欧美国产精品| 热99久久久久精品小说推荐| 国产欧美亚洲国产| 成人亚洲欧美一区二区av| 美女中出高潮动态图| 熟妇人妻不卡中文字幕| 丁香六月天网| a级片在线免费高清观看视频| 成年动漫av网址| 国产毛片在线视频| 久久女婷五月综合色啪小说| 一级,二级,三级黄色视频| 免费播放大片免费观看视频在线观看| 亚洲av.av天堂| 久久人人爽av亚洲精品天堂| 中文字幕精品免费在线观看视频| 麻豆乱淫一区二区| 高清视频免费观看一区二区| 91久久精品国产一区二区三区| 久久国产亚洲av麻豆专区| 久久韩国三级中文字幕| 日本av免费视频播放| 日韩中文字幕视频在线看片| 午夜福利,免费看| 黑丝袜美女国产一区| 午夜av观看不卡| 国产男人的电影天堂91| 男女国产视频网站| 咕卡用的链子| 国产精品久久久久久精品古装| www.自偷自拍.com| 国产成人一区二区在线| 天堂中文最新版在线下载| 69精品国产乱码久久久| 91国产中文字幕| 一边亲一边摸免费视频| 精品少妇内射三级| 国产精品免费视频内射| www.自偷自拍.com| 热99久久久久精品小说推荐| 国产精品一区二区在线观看99| 1024视频免费在线观看| 精品国产乱码久久久久久小说| 777米奇影视久久| 黄色毛片三级朝国网站| 国产老妇伦熟女老妇高清| 少妇人妻精品综合一区二区| 亚洲av在线观看美女高潮| videossex国产| 男人爽女人下面视频在线观看| 久久午夜福利片| 国产老妇伦熟女老妇高清| 亚洲美女搞黄在线观看| 久久久精品免费免费高清| 免费高清在线观看日韩| 亚洲av欧美aⅴ国产| 波多野结衣一区麻豆| 日韩伦理黄色片| 免费人妻精品一区二区三区视频| 高清av免费在线| 最近中文字幕高清免费大全6| 性色avwww在线观看| 一边摸一边做爽爽视频免费| 久久久a久久爽久久v久久| 久久精品国产亚洲av涩爱| 大话2 男鬼变身卡| 欧美日韩一级在线毛片| 男女国产视频网站| 欧美国产精品va在线观看不卡| 2021少妇久久久久久久久久久| 极品少妇高潮喷水抽搐| 国产精品 国内视频| www.精华液| 久久精品夜色国产| 大香蕉久久网| 中文精品一卡2卡3卡4更新| 人人澡人人妻人| 老汉色∧v一级毛片| 大香蕉久久网| 成年女人毛片免费观看观看9 | 99久国产av精品国产电影| 精品一区二区三卡| 日韩人妻精品一区2区三区| 久久ye,这里只有精品| 激情视频va一区二区三区| 精品国产一区二区三区四区第35| 国产精品 国内视频| 国产精品一区二区在线不卡| 久久久久久久大尺度免费视频| 女性生殖器流出的白浆| 亚洲av福利一区| 9热在线视频观看99| 少妇的逼水好多| 亚洲人成电影观看| 亚洲欧美一区二区三区久久| 精品一品国产午夜福利视频| 婷婷色综合大香蕉| 免费久久久久久久精品成人欧美视频| 晚上一个人看的免费电影| 亚洲经典国产精华液单| 黑人猛操日本美女一级片| 人妻系列 视频| 两个人免费观看高清视频| 在线看a的网站| 永久网站在线| 久久久久久人妻| 国产av一区二区精品久久| 日本免费在线观看一区| 亚洲伊人久久精品综合| 国精品久久久久久国模美| 热re99久久精品国产66热6| 久久久久久久亚洲中文字幕| 欧美日本中文国产一区发布| 电影成人av| 国产精品秋霞免费鲁丝片| 国产一区二区 视频在线| 老司机亚洲免费影院| 国产深夜福利视频在线观看| 亚洲视频免费观看视频| 日韩av不卡免费在线播放| 精品卡一卡二卡四卡免费| 亚洲精品在线美女| 成人亚洲精品一区在线观看| 91久久精品国产一区二区三区| 国产一级毛片在线| 性高湖久久久久久久久免费观看| 91aial.com中文字幕在线观看| 男女高潮啪啪啪动态图| 欧美日韩视频高清一区二区三区二| 欧美国产精品va在线观看不卡| 精品亚洲成国产av| 国产伦理片在线播放av一区| 丝袜美腿诱惑在线| 一本色道久久久久久精品综合| av在线播放精品| 亚洲一区中文字幕在线| 成年女人在线观看亚洲视频| 亚洲成色77777| 少妇人妻 视频| 成人漫画全彩无遮挡| 欧美精品亚洲一区二区| 乱人伦中国视频| 国产在线视频一区二区| 成人国产麻豆网| 97在线视频观看| 国产av国产精品国产| 国产 精品1| 国产精品香港三级国产av潘金莲 | 啦啦啦中文免费视频观看日本| 丰满饥渴人妻一区二区三| 一区二区日韩欧美中文字幕| 免费观看av网站的网址| 欧美bdsm另类| 啦啦啦视频在线资源免费观看| 晚上一个人看的免费电影| 国产av码专区亚洲av| www.精华液| 香蕉精品网在线| 香蕉丝袜av| 黑人猛操日本美女一级片| 亚洲三区欧美一区| 国产在线视频一区二区| av福利片在线| 久久久久人妻精品一区果冻| 大码成人一级视频| 亚洲婷婷狠狠爱综合网| 国产乱人偷精品视频| 免费在线观看完整版高清| 男人操女人黄网站| 91在线精品国自产拍蜜月| 国产欧美日韩一区二区三区在线| 久久精品国产亚洲av涩爱| 精品国产一区二区久久| av国产久精品久网站免费入址| 熟妇人妻不卡中文字幕| 亚洲中文av在线| 中文欧美无线码| 久久国产亚洲av麻豆专区| 欧美日韩亚洲高清精品| 国产精品.久久久| 国产精品秋霞免费鲁丝片| 日韩免费高清中文字幕av| 在线观看人妻少妇| 亚洲男人天堂网一区| 天天躁夜夜躁狠狠久久av| 欧美精品国产亚洲| 亚洲欧美一区二区三区国产| 80岁老熟妇乱子伦牲交| 欧美精品人与动牲交sv欧美| 男女国产视频网站| 亚洲欧美日韩另类电影网站| 另类亚洲欧美激情| 丝袜人妻中文字幕| 久久久精品94久久精品| 亚洲精品成人av观看孕妇| 欧美黄色片欧美黄色片| 大香蕉久久成人网| 校园人妻丝袜中文字幕| 精品国产超薄肉色丝袜足j| 久久亚洲国产成人精品v| 中文字幕另类日韩欧美亚洲嫩草| 日韩熟女老妇一区二区性免费视频| 国产精品香港三级国产av潘金莲 | 日本91视频免费播放| 欧美精品人与动牲交sv欧美| 欧美精品av麻豆av| 丰满饥渴人妻一区二区三| 欧美激情极品国产一区二区三区| 精品一区二区三区四区五区乱码 | 日本免费在线观看一区| 久久久久精品久久久久真实原创| 亚洲 欧美一区二区三区| 国产精品国产三级国产专区5o| 一区二区日韩欧美中文字幕| 男女啪啪激烈高潮av片| 久久久精品94久久精品| 在线免费观看不下载黄p国产| 少妇的逼水好多| 欧美日韩成人在线一区二区| 亚洲情色 制服丝袜| 自线自在国产av| 欧美日韩一区二区视频在线观看视频在线| 91在线精品国自产拍蜜月| 亚洲三级黄色毛片| av免费在线看不卡| 亚洲五月色婷婷综合| 亚洲男人天堂网一区| 天堂中文最新版在线下载| 久久久久久人人人人人| 国产一区有黄有色的免费视频| 大陆偷拍与自拍| 夫妻午夜视频| 国产无遮挡羞羞视频在线观看| 国产探花极品一区二区| 国产极品粉嫩免费观看在线| 久久国产亚洲av麻豆专区| 亚洲av在线观看美女高潮| 国产有黄有色有爽视频| 国产精品三级大全| 国产精品久久久久久久久免| 午夜福利在线免费观看网站| 亚洲国产av新网站| 99九九在线精品视频| 中文字幕制服av| 国产精品不卡视频一区二区| 亚洲人成电影观看| www.精华液| 欧美日韩精品网址| 少妇的逼水好多| 亚洲精品日韩在线中文字幕| 丰满乱子伦码专区| 国产成人精品久久二区二区91 | 精品酒店卫生间| 婷婷色麻豆天堂久久| 成人国产麻豆网| 天天躁日日躁夜夜躁夜夜| 国产成人精品一,二区| 天天躁夜夜躁狠狠久久av| 国产一区亚洲一区在线观看| 街头女战士在线观看网站| 中文字幕色久视频| 热99国产精品久久久久久7| 久久国产精品男人的天堂亚洲| videosex国产| 日本午夜av视频| 日日爽夜夜爽网站| 国产精品久久久久久精品古装| 建设人人有责人人尽责人人享有的| 热99久久久久精品小说推荐| 国产精品av久久久久免费| 日韩三级伦理在线观看| 美女国产高潮福利片在线看| 日本欧美视频一区| 丝袜人妻中文字幕| 国精品久久久久久国模美| 国产一区有黄有色的免费视频| 最新的欧美精品一区二区| 中国国产av一级| 午夜精品国产一区二区电影| 亚洲国产精品一区二区三区在线| 国产精品 欧美亚洲| 久热久热在线精品观看| 国产av码专区亚洲av| 亚洲精品av麻豆狂野| 亚洲第一青青草原| 欧美精品av麻豆av| kizo精华| 国产人伦9x9x在线观看 | 国产一区二区在线观看av| 妹子高潮喷水视频| 中文欧美无线码| 日韩 亚洲 欧美在线| 国产免费福利视频在线观看| 99久久精品国产国产毛片| 久久久国产精品麻豆| 色视频在线一区二区三区| 热99久久久久精品小说推荐| 国产亚洲最大av| 久久婷婷青草| 国产精品欧美亚洲77777| 久久久国产欧美日韩av| 一本—道久久a久久精品蜜桃钙片| 熟妇人妻不卡中文字幕| 搡女人真爽免费视频火全软件| 飞空精品影院首页| 欧美日韩一级在线毛片| 狠狠精品人妻久久久久久综合| 国产一区二区三区av在线| 秋霞在线观看毛片| 一区二区三区精品91| 国产精品免费视频内射| 亚洲精品日韩在线中文字幕| 国产日韩欧美视频二区| 欧美日韩成人在线一区二区| 建设人人有责人人尽责人人享有的| 日韩人妻精品一区2区三区| 久久久久网色| 交换朋友夫妻互换小说| 水蜜桃什么品种好| 国产av精品麻豆| 久久久久人妻精品一区果冻| 新久久久久国产一级毛片| 日韩一本色道免费dvd| 国产精品 欧美亚洲| 我要看黄色一级片免费的| videos熟女内射| 久久久久国产网址| 国产一区二区三区av在线| 啦啦啦中文免费视频观看日本| 国产色婷婷99| 免费高清在线观看日韩| 色哟哟·www| 久久久久久人人人人人| 亚洲av日韩在线播放| 久久99热这里只频精品6学生| 国产精品久久久av美女十八| 欧美日韩视频精品一区| 一本大道久久a久久精品| 精品酒店卫生间| 国产片内射在线| 国产日韩欧美在线精品| 中文精品一卡2卡3卡4更新| 欧美精品高潮呻吟av久久| 日日撸夜夜添| tube8黄色片| 一本—道久久a久久精品蜜桃钙片| 国产日韩欧美亚洲二区| 各种免费的搞黄视频| 波多野结衣av一区二区av| 中国三级夫妇交换| 香蕉精品网在线| 视频在线观看一区二区三区| 热re99久久国产66热| 成年女人在线观看亚洲视频| 久久精品人人爽人人爽视色| 免费高清在线观看视频在线观看| 性色avwww在线观看| 五月开心婷婷网| 亚洲 欧美一区二区三区| 免费黄频网站在线观看国产| 亚洲欧洲国产日韩| 侵犯人妻中文字幕一二三四区| 大陆偷拍与自拍| 免费av中文字幕在线| 黑人巨大精品欧美一区二区蜜桃| 欧美精品一区二区大全| xxxhd国产人妻xxx| 久久国产精品男人的天堂亚洲| 永久免费av网站大全| 久久久久精品人妻al黑| 69精品国产乱码久久久| 午夜福利影视在线免费观看| 乱人伦中国视频| 黄频高清免费视频| 久久久久久久久免费视频了| 男女午夜视频在线观看| 成人毛片60女人毛片免费| 桃花免费在线播放| 永久免费av网站大全| 国产欧美日韩综合在线一区二区| 美女国产视频在线观看| 97精品久久久久久久久久精品| 久久影院123| 丝袜脚勾引网站| 日韩一区二区视频免费看| 欧美日韩成人在线一区二区| 人人妻人人添人人爽欧美一区卜| 婷婷色av中文字幕| 天堂中文最新版在线下载| 午夜91福利影院| 日本黄色日本黄色录像| 97在线视频观看| 波多野结衣av一区二区av| 成人国产麻豆网| 蜜桃国产av成人99| 免费人妻精品一区二区三区视频| 汤姆久久久久久久影院中文字幕| 色婷婷久久久亚洲欧美| 亚洲成色77777| av天堂久久9| 青春草视频在线免费观看| 久久久久久伊人网av| 日日啪夜夜爽| 日韩av免费高清视频| 两个人免费观看高清视频| 搡老乐熟女国产| 中文字幕人妻丝袜一区二区 | 国产在视频线精品| 久久久久久久久久久久大奶| 国产亚洲一区二区精品| 少妇人妻 视频| 在线观看人妻少妇| 免费av中文字幕在线| 亚洲男人天堂网一区| 国产av国产精品国产| 免费高清在线观看日韩| 国产老妇伦熟女老妇高清| 美女大奶头黄色视频| 国产日韩欧美视频二区| 又大又黄又爽视频免费| 国产成人精品一,二区| 国产精品 欧美亚洲| 亚洲国产精品999| 亚洲精品av麻豆狂野| 99精国产麻豆久久婷婷| 777久久人妻少妇嫩草av网站| 国产极品天堂在线| 精品99又大又爽又粗少妇毛片| 国产成人免费观看mmmm| 午夜福利乱码中文字幕| 黄色怎么调成土黄色| 国产精品.久久久| 春色校园在线视频观看| 亚洲精品日韩在线中文字幕| 国产欧美日韩一区二区三区在线| 少妇的丰满在线观看| 精品人妻在线不人妻| 天堂8中文在线网| 伦理电影大哥的女人| 国产免费一区二区三区四区乱码| 交换朋友夫妻互换小说| 成人二区视频| 中文欧美无线码| 亚洲欧美日韩另类电影网站| 中文欧美无线码| 欧美成人午夜免费资源| 久久久久精品久久久久真实原创| 国产欧美日韩一区二区三区在线| 少妇人妻久久综合中文| 久热这里只有精品99| 午夜久久久在线观看| 精品亚洲乱码少妇综合久久| 欧美中文综合在线视频| 成年动漫av网址| 成年女人毛片免费观看观看9 | 亚洲成人av在线免费| xxxhd国产人妻xxx| 尾随美女入室| 激情五月婷婷亚洲| 午夜免费观看性视频| 国产亚洲欧美精品永久| 波多野结衣av一区二区av| 菩萨蛮人人尽说江南好唐韦庄| 国产欧美日韩一区二区三区在线| 观看av在线不卡| 欧美日韩亚洲高清精品| 久久久久视频综合| 免费在线观看完整版高清| 热re99久久国产66热| 亚洲一码二码三码区别大吗| 在线观看www视频免费| 亚洲欧美成人综合另类久久久| 免费少妇av软件| 成人漫画全彩无遮挡| 国产精品一区二区在线观看99| 美女国产高潮福利片在线看| 哪个播放器可以免费观看大片| 91成人精品电影| 伦理电影免费视频| 亚洲成色77777| 曰老女人黄片| 街头女战士在线观看网站| 久久精品国产鲁丝片午夜精品| 日韩av免费高清视频| 亚洲成av片中文字幕在线观看 | 在线天堂中文资源库| av电影中文网址| 国产女主播在线喷水免费视频网站| 热re99久久精品国产66热6| 性少妇av在线| 国产成人午夜福利电影在线观看| 一二三四中文在线观看免费高清| 国产成人精品久久二区二区91 | 亚洲精品一区蜜桃| 亚洲国产av影院在线观看| 精品亚洲成国产av| 亚洲综合色惰| 9热在线视频观看99| 视频在线观看一区二区三区| 国产精品国产三级国产专区5o| 男女啪啪激烈高潮av片| 国产精品99久久99久久久不卡 | 国产 一区精品| 香蕉精品网在线| 中文字幕人妻熟女乱码| 999久久久国产精品视频| 观看av在线不卡| 伊人久久大香线蕉亚洲五| 亚洲美女视频黄频| 国产精品香港三级国产av潘金莲 | 亚洲av电影在线观看一区二区三区| 免费高清在线观看日韩| 久久人人爽人人片av| 国产麻豆69| 少妇被粗大的猛进出69影院| 亚洲成人手机| 亚洲精品自拍成人| 97在线人人人人妻| 亚洲国产精品一区三区| 中文字幕人妻丝袜制服| 热re99久久精品国产66热6| 18禁裸乳无遮挡动漫免费视频| 尾随美女入室| 一本大道久久a久久精品| 中文欧美无线码| 国产一区有黄有色的免费视频| 国产综合精华液| 你懂的网址亚洲精品在线观看| 久久久精品区二区三区| 可以免费在线观看a视频的电影网站 | 精品久久久精品久久久| 国产黄频视频在线观看| 午夜影院在线不卡| 亚洲,一卡二卡三卡| 人成视频在线观看免费观看| 久久人人97超碰香蕉20202| 欧美另类一区| 午夜福利在线免费观看网站| 日韩一区二区三区影片| 免费不卡的大黄色大毛片视频在线观看| 伦精品一区二区三区| 99久国产av精品国产电影| 观看av在线不卡| h视频一区二区三区| 国产精品久久久久久av不卡| 亚洲精品视频女| 亚洲精品一区蜜桃| 黑人欧美特级aaaaaa片| 一级毛片黄色毛片免费观看视频| 老司机影院成人| 成人毛片a级毛片在线播放| 亚洲色图综合在线观看| www日本在线高清视频| 国产免费福利视频在线观看| 欧美日韩精品网址| 只有这里有精品99| 精品国产超薄肉色丝袜足j| 久久精品亚洲av国产电影网| 久久久久久人人人人人| 性少妇av在线| 精品一区二区三卡| 亚洲精品国产色婷婷电影| 十八禁网站网址无遮挡| 精品国产国语对白av| 亚洲国产精品一区二区三区在线| 侵犯人妻中文字幕一二三四区| 两性夫妻黄色片| 国产欧美日韩一区二区三区在线| 久久久久久伊人网av| 亚洲精品久久成人aⅴ小说| 国产激情久久老熟女| 成年女人在线观看亚洲视频| 国产综合精华液| 成人亚洲精品一区在线观看| 超碰成人久久| 欧美日韩精品成人综合77777| 天天影视国产精品| 91精品国产国语对白视频| 日产精品乱码卡一卡2卡三| 高清在线视频一区二区三区| 综合色丁香网| 精品人妻偷拍中文字幕| 涩涩av久久男人的天堂| 免费观看性生交大片5| 亚洲精品视频女| 极品少妇高潮喷水抽搐| 久久久久人妻精品一区果冻| 寂寞人妻少妇视频99o| 亚洲美女搞黄在线观看| 久久人人爽av亚洲精品天堂| 精品福利永久在线观看| 涩涩av久久男人的天堂| 激情五月婷婷亚洲| 日韩熟女老妇一区二区性免费视频| 久久久久网色| 波多野结衣一区麻豆| 国产精品麻豆人妻色哟哟久久| 国产精品 欧美亚洲| 成年人免费黄色播放视频| 国产精品久久久久成人av| 国产黄色免费在线视频| 18禁动态无遮挡网站| 爱豆传媒免费全集在线观看| 国产又色又爽无遮挡免| 亚洲 欧美一区二区三区|