适用于不平衡数据集分类的改进SVM算法

摘要：

在分析了传统支持向量机(SVM)对不平衡数据的学习缺陷后,提出了一种改进SVM算法,采用自适应合成(ADASYN)采样技术对数据集进行部分重采样,增加少类样本的数量;对不同的样本点分配不同的权重,减弱噪声对训练结果的影响;使用基于代价敏感的SVM算法训练,缓解不平衡数据对超平面造成的偏移.选择UCI数据库中的6组不平衡数据集进行测试,实验结果表明:在各个数据集上改进SVM算法的性能优于其他算法,并在少类准确率和多类准确率上取得了很好的平衡.

关键词：不平衡数据、支持向量机、自适应合成采样、代价敏感

所属期刊栏目：37

分类号：TP18(自动化基础理论)

资助基金：复旦大学国家重点实验室开放基金资助项目2015KF009;中央高校基础科研计划资助项目2015QNA4018

在线出版日期：2018-05-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：115-117,122