10.3969/j.issn.1000-3428.2008.20.072
一种用于非平衡数据的SVM学习算法
在实际应用中的分类数据往往是非平衡数据,少数类别的数据可能有很大的分类代价.分类性能不仅要考虑分类精度,同时要考虑分类代价.该文扩展了支持向量机(SVM)学习方法,对于以高斯核为核函数时的少数类和多数类使用不同的惩罚参数C+,C以获得高敏感度的超平面,并提出利用遗传算法对SVM的学习参数进行优化调整.给出一种新的评价函数,对分类结果的质量进行评价.实验结果证明,算法对于非平衡数据的分类有较好的效果,对少数类样本预测的准确性较高.
支持向量机、非平衡数据、评价函数、学习参数优化
34
TP18(自动化基础理论)
2008-12-01(万方平台首次上网日期,不代表论文的发表时间)
共3页
198-199,202