女生裸体视频一区二区三区_久久久久九九九_美日韩精品视频_欧美日韩亚洲一区二区三区在线_激情成人亚洲_亚洲一区自拍_日韩亚洲精品在线_国产精品入口66mio_亚洲在线日韩_久久亚洲二区

美林?jǐn)?shù)據(jù)
ABOUT US
美林?jǐn)?shù)據(jù)技術(shù)股份有限公司（簡(jiǎn)稱：美林?jǐn)?shù)據(jù)，NEEQ：831546）是國(guó)內(nèi)知名的數(shù)據(jù)治理和數(shù)據(jù)分析服務(wù)提供商。

美林?jǐn)?shù)據(jù)技術(shù)專家團(tuán)隊(duì)|機(jī)器學(xué)習(xí)中樣本不平衡問(wèn)題的實(shí)用解決方法

2021-12-23 10:44:00 次
近些年，隨著智能化應(yīng)用概念在各個(gè)行業(yè)的普及、智能應(yīng)用項(xiàng)目的落地實(shí)踐，作為智能應(yīng)用的基礎(chǔ)技術(shù)-機(jī)器學(xué)習(xí)，也得到了廣泛的應(yīng)用并取得了不錯(cuò)的效果。與此同時(shí)，在實(shí)際的項(xiàng)目應(yīng)用中也經(jīng)歷了各種各樣的難題，如數(shù)據(jù)分散難統(tǒng)一、輸出結(jié)果滯后、數(shù)據(jù)不準(zhǔn)確等，其中樣本不平衡就是一個(gè)典型的數(shù)據(jù)問(wèn)題。
機(jī)器學(xué)習(xí)
樣本不平衡問(wèn)題是指在進(jìn)行模式分類時(shí)，樣本中某一類數(shù)據(jù)遠(yuǎn)多于其他類數(shù)據(jù)而造成對(duì)少數(shù)類判別不準(zhǔn)確的問(wèn)題，而實(shí)際應(yīng)用中數(shù)量較少的樣本往往包含著關(guān)鍵的信息。例如在設(shè)備故障預(yù)測(cè)中的故障樣本，產(chǎn)品質(zhì)量分析中的不合格樣本，用戶流失預(yù)警中的流失用戶，竊電識(shí)別中的竊電用戶，醫(yī)療診斷中的病例樣本等等，都是在智能化應(yīng)用分析過(guò)程中需要重點(diǎn)關(guān)注的對(duì)象。
對(duì)于樣本不平衡分類問(wèn)題的解決，我們目前嘗試過(guò)5個(gè)方向：
1、改變數(shù)據(jù)分布，降低不平衡度，包括采樣的方法（過(guò)采樣算法、欠采樣算法）和數(shù)據(jù)合成的方法；
2、優(yōu)化算法，分析已有算法在面對(duì)不平衡數(shù)據(jù)的缺陷，改進(jìn)算法或者提出新算法來(lái)提升少數(shù)類的分類準(zhǔn)確率，主要包括代價(jià)敏感和集成學(xué)習(xí)；
3、引入先驗(yàn)知識(shí)，在建模的過(guò)程中的樣本生成、模型設(shè)計(jì)、模型訓(xùn)練階段引入先驗(yàn)知識(shí)，提升模型準(zhǔn)確性；
4、遷移學(xué)習(xí)，利用其它領(lǐng)域相似的數(shù)據(jù)和知識(shí)對(duì)本領(lǐng)域內(nèi)模型進(jìn)行優(yōu)化；
5、調(diào)整業(yè)務(wù)目標(biāo)，嘗試改變看問(wèn)題的角度，調(diào)整業(yè)務(wù)的目標(biāo)或?qū)I(yè)務(wù)問(wèn)題進(jìn)行轉(zhuǎn)換。

01、改變數(shù)據(jù)分布
數(shù)據(jù)集
?通過(guò)采樣的方式  
采樣方法是通過(guò)對(duì)訓(xùn)練集進(jìn)行處理使其從不平衡的數(shù)據(jù)集變成平衡的數(shù)據(jù)集，在大部分情況下會(huì)對(duì)最終的結(jié)果帶來(lái)提升。采樣分為過(guò)采樣和欠采樣，其中過(guò)采樣是把小眾類復(fù)制多份，而欠采樣則是從大眾類中剔除一些樣本，或者說(shuō)只從大眾類中選取部分樣本。
?數(shù)據(jù)合成方式
數(shù)據(jù)合成是通過(guò)少量可用的樣本生成更多的樣本，即從原始數(shù)據(jù)分布的角度來(lái)進(jìn)行的，生成和真實(shí)數(shù)據(jù)分布相似的數(shù)據(jù)，達(dá)到樣本增強(qiáng)的目的。主要的樣本增強(qiáng)方法包含：SMOTE平滑、GAN生成對(duì)抗網(wǎng)絡(luò)模型等。
SMOTE平滑主要應(yīng)用在小型數(shù)據(jù)集上來(lái)獲得新的樣本，實(shí)現(xiàn)方式是隨機(jī)選擇一個(gè)樣本，計(jì)算它與其它樣本的距離，得到K近鄰，從K近鄰中隨機(jī)選擇多個(gè)樣本構(gòu)建出新樣本。
GAN生成對(duì)抗網(wǎng)絡(luò)模型:主要包括了兩個(gè)部分，即生成器 generator 與判別器 discriminator。生成器主要用來(lái)學(xué)習(xí)真實(shí)數(shù)據(jù)分布從而讓自身生成的數(shù)據(jù)更加真實(shí)，以騙過(guò)判別器。判別器則需要對(duì)接收的數(shù)據(jù)進(jìn)行真假判別。在整個(gè)過(guò)程中，生成器努力地讓生成的數(shù)據(jù)更加真實(shí)，而判別器則努力地去識(shí)別出數(shù)據(jù)的真假，這個(gè)過(guò)程相當(dāng)于一個(gè)二人博弈，隨著時(shí)間的推移，生成器和判別器在不斷地進(jìn)行對(duì)抗，最終兩個(gè)網(wǎng)絡(luò)達(dá)到了一個(gè)動(dòng)態(tài)均衡：生成器生成的數(shù)據(jù)像接近于真實(shí)數(shù)據(jù)分布，而判別器識(shí)別不出真假數(shù)據(jù)，從而達(dá)到構(gòu)建更多新樣本的目的。
例如，在用戶竊電識(shí)別模型中，數(shù)據(jù)庫(kù)中查實(shí)的竊電用戶量整體較少，如果直接構(gòu)建模型會(huì)導(dǎo)致模型泛化性能低，易過(guò)擬合，無(wú)法使模型更精準(zhǔn)的學(xué)習(xí)到竊電用戶的特性。那么為了保障模型的準(zhǔn)確率，我們可以基于查實(shí)的竊電用戶數(shù)據(jù)，針對(duì)不同竊電手段數(shù)據(jù)通過(guò)采用SMOTE平滑方法對(duì)數(shù)據(jù)進(jìn)行樣本增強(qiáng)，獲取到更多符合原始數(shù)據(jù)分布的樣本，讓智能模型充分學(xué)習(xí)到竊電用戶的特性，有效地提高模型的泛化性能和抗干擾能力。該模型采用數(shù)據(jù)樣本增強(qiáng)后，竊電用戶識(shí)別模型準(zhǔn)確率從70%提升至86%，為項(xiàng)目帶來(lái)實(shí)質(zhì)性的提升。
需要注意的是，通過(guò)采樣的方式增加樣本適用于樣本量有一定基礎(chǔ)的情況，對(duì)于樣本數(shù)據(jù)本身較小，或樣本極度不均衡的情況如異常樣本只有個(gè)位數(shù)，使用起來(lái)意義并不大。數(shù)據(jù)合成的方法在一些領(lǐng)域使用較多，如在電信行業(yè)的流失行為預(yù)測(cè)、電網(wǎng)領(lǐng)域的用戶畫像，圖像識(shí)別等，但是在工業(yè)領(lǐng)域，如產(chǎn)品的加工過(guò)工程，設(shè)備的故障產(chǎn)生，數(shù)據(jù)之間都就有很強(qiáng)的關(guān)聯(lián)性，數(shù)據(jù)之間存在內(nèi)在的物理關(guān)系，而數(shù)據(jù)合成的方法只關(guān)注了數(shù)據(jù)的分布特征，而忽略了數(shù)據(jù)之間的強(qiáng)關(guān)聯(lián)關(guān)系，因此往往導(dǎo)致生成數(shù)據(jù)脫離現(xiàn)實(shí)情況。

02、優(yōu)化算法
從算法層面，在模型設(shè)計(jì)與訓(xùn)練中采用傾向性策略以緩解樣本的不平衡程度，主要包括代價(jià)敏感和集成學(xué)習(xí)。代價(jià)敏感通過(guò)修改損失函數(shù)使得模型更加重視少數(shù)類，集成學(xué)習(xí)通過(guò)將多個(gè)分類器的結(jié)果集成提高整體分類準(zhǔn)確度。
?從評(píng)價(jià)指標(biāo)的角度   
對(duì)于數(shù)據(jù)極端不平衡時(shí)，這時(shí)候就不能觀察模型準(zhǔn)確率這個(gè)指標(biāo)了。我們可以通過(guò)觀察訓(xùn)練結(jié)果的精準(zhǔn)率和召回率，這樣做有兩個(gè)好處：一是可以了解算法對(duì)于數(shù)據(jù)的敏感程度；二是可以明確采取哪種評(píng)價(jià)指標(biāo)更合適。針對(duì)機(jī)器學(xué)習(xí)中的樣本不平衡問(wèn)題，建議更多采用PR(Precision-Recall曲線)，而非ROC曲線，如果采用ROC曲線來(lái)作為評(píng)價(jià)指標(biāo)，很容易因?yàn)锳UC值高而忽略實(shí)際對(duì)少量樣本的效果其實(shí)并不理想的情況。
當(dāng)然在實(shí)際的應(yīng)用中，也應(yīng)結(jié)合業(yè)務(wù)需要來(lái)確定評(píng)價(jià)指標(biāo)的選擇。例如，在流失預(yù)警場(chǎng)景中，應(yīng)根據(jù)現(xiàn)場(chǎng)維護(hù)人員的數(shù)據(jù)量，決定是采用召回率作為主要評(píng)價(jià)指標(biāo)還是以精準(zhǔn)率作為主要指標(biāo)。另外，在工業(yè)應(yīng)用中，如果將模型作為輔助手段用于質(zhì)量預(yù)警時(shí)，主要考慮的模型的準(zhǔn)確性，要確保每次給出的結(jié)果是準(zhǔn)確的，在設(shè)備故障判斷時(shí)，要確保召回率，不能漏掉任何一個(gè)故障。
?代價(jià)敏感法    
代價(jià)敏感法核心思想是在算法實(shí)現(xiàn)過(guò)程中，對(duì)于分類中不同樣本數(shù)量的類別分別賦予不同的權(quán)重（一般思路分類中的小樣本量類別權(quán)重高，大樣本量類別權(quán)重低），通過(guò)這種方式使模型更加重視小樣本類，然后進(jìn)行計(jì)算和建模。
?集成學(xué)習(xí)   
集成方法指的是在每次生成訓(xùn)練集時(shí)使用所有分類中的小樣本量，同時(shí)從分類中的大樣本量中隨機(jī)抽取數(shù)據(jù)來(lái)與小樣本量合并構(gòu)成訓(xùn)練集，這樣反復(fù)多次會(huì)得到很多訓(xùn)練集和訓(xùn)練模型。最后在應(yīng)用時(shí)，使用組合方法（例如投票、加權(quán)投票等）產(chǎn)生分類預(yù)測(cè)結(jié)果。如果計(jì)算資源充足，并且對(duì)于模型的時(shí)效性要求不高的話，這種方法比較合適。

03、引入先驗(yàn)知識(shí)
利用先驗(yàn)知識(shí)，將業(yè)務(wù)知識(shí)、機(jī)理規(guī)則等引入機(jī)器學(xué)習(xí)的樣本生成、模型設(shè)計(jì)、模型訓(xùn)練等階段也是解決樣本不平衡問(wèn)題的一個(gè)思路。先驗(yàn)知識(shí)可以快速推廣到只包含少量監(jiān)督信息樣本的新任務(wù)。在數(shù)據(jù)挖掘模型構(gòu)建的過(guò)程中，充分利用先驗(yàn)知識(shí)的相關(guān)規(guī)則可以提升模型效果，先驗(yàn)知識(shí)主要從兩個(gè)方面發(fā)揮價(jià)值：
數(shù)據(jù)：利用先驗(yàn)知識(shí)來(lái)增強(qiáng)監(jiān)督經(jīng)驗(yàn)，例如可以使用先驗(yàn)知識(shí)判斷傳感器采集數(shù)據(jù)的范圍，對(duì)于超過(guò)范圍的異常數(shù)據(jù)剔除處理，避免因?yàn)閿?shù)據(jù)采集錯(cuò)誤干擾到模型訓(xùn)練。
模型：利用先驗(yàn)知識(shí)減少假設(shè)空間的大小，如齒輪點(diǎn)蝕、剝落斷齒等局部故障，故障部位進(jìn)入嚙合時(shí)系統(tǒng)受到?jīng)_擊激勵(lì)，故障齒輪每轉(zhuǎn)一圈，系統(tǒng)受一次沖擊，這種現(xiàn)象是周期性的，可基于此特性來(lái)設(shè)計(jì)模型。
如在配變重過(guò)載預(yù)測(cè)模型構(gòu)建過(guò)程中，模型階段通過(guò)先驗(yàn)知識(shí)縮小了預(yù)測(cè)空間，充分考慮配變負(fù)載率近2年P(guān)earson相關(guān)系數(shù)判定近2年的變化趨勢(shì)，篩選相關(guān)系數(shù)高的配變，利用先驗(yàn)知識(shí)預(yù)測(cè)未來(lái)周期內(nèi)負(fù)載率，將負(fù)載率明顯過(guò)低的設(shè)備進(jìn)行剔除，減少樣本的不平衡度，提升模型的泛化能力。
值得注意得是：在利用先驗(yàn)知識(shí)的同時(shí)，一定要保障先驗(yàn)知識(shí)的準(zhǔn)確性，如果先驗(yàn)知識(shí)存在誤差，必然導(dǎo)致模型的誤差增大，影響模型準(zhǔn)確率。

04、遷移學(xué)習(xí)
既然當(dāng)前領(lǐng)域的樣例數(shù)據(jù)獲取難度比較大，那么可不可以使用相似領(lǐng)域的數(shù)據(jù)和知識(shí)來(lái)代替呢？實(shí)際生活中有很多這樣的例子，比如學(xué)會(huì)吹笛子，就比較容易學(xué)吹簫、葫蘆絲等管弦樂(lè)器，學(xué)會(huì)了C語(yǔ)言，在學(xué)一些其它編程語(yǔ)言會(huì)簡(jiǎn)單很多，這其實(shí)就是遷移學(xué)習(xí)的思想。從相關(guān)領(lǐng)域中遷移標(biāo)注數(shù)據(jù)或者知識(shí)結(jié)構(gòu)、完成或改進(jìn)目標(biāo)領(lǐng)域的學(xué)習(xí)效果。
遷移學(xué)習(xí)
一般地，有三種常見(jiàn)的遷移方式：
一是基于實(shí)例的遷移，對(duì)已有的其它領(lǐng)域大樣本進(jìn)行有效的權(quán)重分配，讓其它領(lǐng)域的樣本與目標(biāo)域的樣本分布特征接近；
二是基于特征的遷移，分為基于特征選擇的遷移和基于特征映射的遷移。基于特征選擇的遷移學(xué)習(xí)算法，關(guān)注的是如何找出源領(lǐng)域與目標(biāo)領(lǐng)域之間共同的特征表示，然后利用這些特征進(jìn)行知識(shí)遷移；基于特征映射的遷移學(xué)習(xí)算法，將源領(lǐng)域和目標(biāo)領(lǐng)域的數(shù)據(jù)從原始特征空間映射到新的特征空間中去，在該空間中，源領(lǐng)域數(shù)據(jù)與的目標(biāo)領(lǐng)域的數(shù)據(jù)分布相同；
三是基于共享參數(shù)的遷移，其主要研究的是如何找到源數(shù)據(jù)和目標(biāo)數(shù)據(jù)的空間模型之間的共同參數(shù)或者先驗(yàn)分布。
在齒輪、軸承類機(jī)械設(shè)備故障預(yù)測(cè)過(guò)程中，實(shí)際工況下，由于設(shè)備長(zhǎng)期處于正常服役狀態(tài)，正常樣本豐富，故障樣本非常少，經(jīng)常面臨數(shù)據(jù)嚴(yán)重不平衡的問(wèn)題。對(duì)于齒輪、軸承這類簡(jiǎn)單的機(jī)械，相同類型的部件其在發(fā)生故障時(shí)表現(xiàn)的特征往往具有很強(qiáng)的相似性。這時(shí)可以用遷移學(xué)習(xí)的方法，具體的實(shí)現(xiàn)方法一方面通過(guò)數(shù)據(jù)分布變換將要遷移的數(shù)據(jù)的分布狀況轉(zhuǎn)換為目標(biāo)數(shù)據(jù)的分布狀況。
齒輪、軸承類機(jī)械設(shè)備故障預(yù)測(cè)
另一方面將兩個(gè)領(lǐng)域的數(shù)據(jù)特征進(jìn)行空間變換，使其具備相同的特征分布。假如采集的是震動(dòng)信號(hào)，根據(jù)目標(biāo)數(shù)據(jù)時(shí)域下的幅值分布將公共的震動(dòng)信號(hào)轉(zhuǎn)換成與目標(biāo)分布相似的信號(hào)，再利用時(shí)頻變換，將時(shí)域空間下的特征映射到頻域下（注意盡可能使用相對(duì)指標(biāo)，而不是絕對(duì)指標(biāo)），然后再進(jìn)行零件故障預(yù)測(cè)模型的構(gòu)建。
此外，遷移學(xué)習(xí)在落地應(yīng)用中往往受幾個(gè)方面的影響，一是不同的應(yīng)用場(chǎng)景，數(shù)據(jù)之間的影響關(guān)系差異非常大，數(shù)據(jù)之間的相互關(guān)系往往會(huì)發(fā)生變化，導(dǎo)致不能完全遷移。二是目標(biāo)的表征變量較多的情況下，做特征的映射本身就是一個(gè)大工程，實(shí)現(xiàn)起來(lái)并不容易，適合特征比較少的場(chǎng)景。

05、調(diào)整業(yè)務(wù)目標(biāo)
以上的方式都不適用的情況下該怎么辦呢？這時(shí)就需要放大招了——調(diào)整業(yè)務(wù)目標(biāo)。一般對(duì)于樣本極不均衡現(xiàn)象分類預(yù)測(cè)問(wèn)題我們可以將其轉(zhuǎn)換為回歸問(wèn)題或異常檢測(cè)問(wèn)題。
?分類變回歸  
在實(shí)際的項(xiàng)目中，還有一種方法來(lái)實(shí)現(xiàn)預(yù)測(cè)的目標(biāo)，那就是將分類預(yù)測(cè)問(wèn)題轉(zhuǎn)換為回歸預(yù)測(cè)問(wèn)題。采用回歸預(yù)測(cè)+業(yè)務(wù)規(guī)則相結(jié)合的方法實(shí)現(xiàn)預(yù)測(cè)的目的。例如在一個(gè)產(chǎn)品質(zhì)量預(yù)測(cè)項(xiàng)目中，原來(lái)的目標(biāo)是構(gòu)建產(chǎn)品是否合格的預(yù)測(cè)模型，但是在模型的構(gòu)建過(guò)程中發(fā)現(xiàn)不合格產(chǎn)品占比非常少，只有極個(gè)別的樣本，用來(lái)構(gòu)建產(chǎn)品不合格模型基礎(chǔ)條件不夠。
這時(shí)就可以轉(zhuǎn)變?yōu)轭A(yù)測(cè)產(chǎn)品檢測(cè)指標(biāo)的方法，這種方法是在不合格產(chǎn)品數(shù)量占比較少的情況下轉(zhuǎn)而預(yù)測(cè)產(chǎn)品檢測(cè)過(guò)程中的評(píng)判指標(biāo)。相對(duì)來(lái)說(shuō)，產(chǎn)品檢測(cè)過(guò)程中的檢測(cè)指標(biāo)樣本的積累會(huì)比不合格產(chǎn)品的樣本積累要更容易。很顯然，對(duì)于產(chǎn)品檢測(cè)指標(biāo)的預(yù)測(cè)是屬于回歸預(yù)測(cè)的范疇，可采用機(jī)器學(xué)習(xí)中回歸類預(yù)測(cè)方法來(lái)實(shí)現(xiàn)。對(duì)于回歸模型預(yù)測(cè)的結(jié)果，可以結(jié)合現(xiàn)有的業(yè)務(wù)規(guī)則進(jìn)行判斷，從而達(dá)到預(yù)測(cè)產(chǎn)品是否合格的目的。
?分類變異常檢測(cè)   
第二種做法是使用非監(jiān)督式的學(xué)習(xí)方法，將此類問(wèn)題看做是單分類或異常檢測(cè)問(wèn)題。這類方法的重點(diǎn)不在于找出類間的差別，而是為其中一類進(jìn)行建模。例如在設(shè)備故障診斷項(xiàng)目中，沒(méi)有異常數(shù)據(jù)，那我們就為正常情況圈定一個(gè)范圍，在新數(shù)據(jù)判斷時(shí)在這個(gè)范圍內(nèi)的就認(rèn)為是正常數(shù)據(jù)，不在這個(gè)范圍內(nèi)的我們就認(rèn)為就是異常數(shù)據(jù)，需要重點(diǎn)關(guān)注的。當(dāng)然在實(shí)際應(yīng)用中模型也會(huì)不斷的迭代更新，判斷的效果會(huì)越來(lái)越準(zhǔn)。

本文介紹了實(shí)際項(xiàng)目中我們嘗試的幾種樣本不平衡問(wèn)題的解決方法，希望上述的某種方法能夠幫助你解決目前遇到的問(wèn)題或者能為你帶來(lái)一些解題思路。
而上述這些方法也只是眾多樣本不平衡問(wèn)題解決方法中的冰山一角，這里建議大家多閱讀一些這方面的文章，你可能從中獲取一些更有趣更有效的方法。當(dāng)然樣本不平衡問(wèn)題的解決更多的還要結(jié)合現(xiàn)場(chǎng)的環(huán)境和遇到的問(wèn)題，靈活的選擇應(yīng)對(duì)方法，沒(méi)有一種方案可以解決一切問(wèn)題。
服務(wù)熱線
400-608-2558
咨詢熱線
15502965860-
美林?jǐn)?shù)據(jù)
微信掃描二維碼，立即在線咨詢
女生裸体视频一区二区三区_久久久久九九九_美日韩精品视频_欧美日韩亚洲一区二区三区在线_激情成人亚洲_亚洲一区自拍_日韩亚洲精品在线_国产精品入口66mio_亚洲在线日韩_久久亚洲二区
国产精品一区二区久久不卡| 伊人成人在线| 美女尤物国产一区| 午夜私人影院久久久久| 国产精品高潮呻吟久久| 国产精品久久久久久久久图文区 | 色婷婷香蕉在线一区二区| 在线亚洲免费| 亚洲一区二区在线看| 国产精品视频免费观看| 中日韩在线视频| 亚久久调教视频| 日本丶国产丶欧美色综合| 欧美日韩中文字幕一区| 欧美日韩成人一区二区| 在线播放日韩导航| 日韩精品一区二区三区蜜臀| 日韩欧美视频一区| 久久精品亚洲乱码伦伦中文| 欧美激情一区在线| 亚洲精品一二三区| 日韩福利电影在线| 国产高清精品在线| 你懂的国产精品| 亚洲精品自在在线观看| 久久精品系列| 51精品视频一区二区三区| 欧美成人一区二区| 亚洲免费毛片网站| 蜜臀91精品一区二区三区| 福利一区福利二区| 欧美国产先锋| 久久av一区二区三区| 欧美区视频在线观看| 国产午夜精品一区二区三区视频| 国产精品久久久久毛片软件| 午夜av电影一区| 国产91丝袜在线播放| 欧美日韩在线一二三| 久久久成人网| 欧美大片在线观看一区| 亚洲男人天堂av网| 久国产精品韩国三级视频| 欧美在线日韩| 日本韩国欧美三级| 国产欧美日韩精品一区| 日韩成人伦理电影在线观看| 成人亚洲精品久久久久软件| 99成人精品| 日韩视频中午一区| 亚洲人成精品久久久久| 国产一区二区三区久久悠悠色av| 欧美日韩在线一二三| 欧美性感一区二区三区| 国产精品色一区二区三区| 久久se这里有精品| 亚洲欧洲精品一区二区三区波多野1战4 | 亚洲图片你懂的| 精品一区二区在线视频| 午夜视频一区| 欧美日韩国产一二三| 1024亚洲合集| 成人免费毛片app| 久久天堂成人| 中文字幕在线不卡| 成人免费高清在线| 在线亚洲人成电影网站色www| 久久精品亚洲麻豆av一区二区| 久久se这里有精品| 国产视频亚洲| 欧美极品aⅴ影院| 国产成人在线免费| 91福利在线看| 亚洲伊人伊色伊影伊综合网| 99国产精品一区| 6080yy午夜一二三区久久| 午夜激情综合网| 亚洲精品一区二| 国产偷v国产偷v亚洲高清| 国产精品中文欧美| 欧美性大战久久| 亚洲国产一区视频| 在线免费日韩片| 久久久久久一级片| 国产麻豆成人传媒免费观看| 欧美在线一二三| 天天操天天色综合| 国产欧美日韩视频一区二区三区| 国产亚洲精品bt天堂精选| 成人av影视在线观看| 5858s免费视频成人| 激情综合色丁香一区二区| 一本色道久久加勒比精品 | 91片黄在线观看| 久久久久久久久久美女| 成人av集中营| 日韩精品一区在线观看| 国产福利91精品一区| 欧美丰满少妇xxxxx高潮对白| 免费在线观看一区| 久久精品日产第一区二区 | 日韩一区二区免费看| 亚洲精品免费电影| 一区二区三区偷拍| 亚洲午夜影视影院在线观看| 日韩天堂av| 亚洲永久精品国产| 色综合激情五月| 麻豆精品视频在线观看| 欧美三级视频在线观看| 国产中文一区二区三区| 91精品国产91热久久久做人人| 精东粉嫩av免费一区二区三区| 欧美日韩一卡二卡三卡| 国产传媒欧美日韩成人| 欧美va亚洲va香蕉在线| 91丨porny丨国产| 国产日韩av一区二区| 欧美日韩亚洲一区二区三区在线 | 久久综合九色综合网站| 免费一区二区视频| 欧美一区二区在线免费播放 | 欧美日韩一区国产| 夫妻av一区二区| 国产午夜精品久久久久久免费视| 欧美激情91| 亚洲综合久久久久| 欧美三级日韩在线| 99久久夜色精品国产网站| 欧美激情一区二区三区全黄| 亚洲黄页一区| 免费观看成人av| 欧美大白屁股肥臀xxxxxx| 欧美日韩免费观看一区| 亚洲主播在线播放| 欧美裸体bbwbbwbbw| 91视视频在线观看入口直接观看www | 性欧美大战久久久久久久久| 欧美在线免费观看亚洲| 成人理论电影网| 亚洲精品视频观看| 欧美色国产精品| 欧美一区91| 日本最新不卡在线| 久久久久国产一区二区三区四区 | 在线成人午夜影院| 欧美激情五月| 亚洲成av人片观看| 亚洲精品一区二区三区精华液| 99视频精品| 国产91精品露脸国语对白| 亚洲欧洲99久久| 欧美日本精品一区二区三区| 欧美va天堂| 久久99精品久久久久久| 中文字幕在线观看不卡| 欧美午夜精品久久久| 欧美啪啪一区| 乱中年女人伦av一区二区| 中文幕一区二区三区久久蜜桃| 久久久久网站| 欧美日韩高清在线一区| 九色综合狠狠综合久久| 亚洲少妇30p| 日韩欧美在线影院| 久久久99爱| 亚洲高清精品中出| 成人app下载| 美女脱光内衣内裤视频久久网站 | 久久久精品综合| 欧美日韩免费在线视频| 国产亚洲激情| 欧美日韩在线不卡一区| 懂色av一区二区在线播放| 午夜精品久久久久久不卡8050| 国产欧美日韩亚州综合| 69av一区二区三区| 色一情一乱一乱一91av| 亚洲大胆女人| 你懂的视频一区二区| 成人黄色av电影| 久久国产麻豆精品| 性久久久久久久久| 亚洲综合在线五月| 国产精品萝li| 国产日韩精品视频一区| 欧美sm极限捆绑bd| 欧美大片日本大片免费观看| 欧美丰满一区二区免费视频| 欧美性三三影院| 在线免费观看日本欧美| 久久久久天天天天| 久久激情网站| 久久精品官网| 一本色道久久加勒比精品| 久久人人97超碰国产公开结果| 亚洲精品在线免费| 一区二区三区久久网| 国产日韩欧美一区二区三区四区| 国产在线视频欧美一区二区三区|