基于置信度代价敏感的支持向量机不均衡数据学习

摘要：

现实世界中广泛存在着很多不均衡的数据,其分类问题是机器学习领域的研究热点.为了提高不均衡数据的分类性能,提出一种基于核空间置信度的代价敏感支持向量机分类算法.通过注入类别错分代价机制,以不均衡数据评价指标作为目标函数,优化错分代价因子,提升少数类样本的识别率.计算类中所有样本在核空间下的类别置信度,从而确定样本对决策分类贡献的重要程度,降低噪音或孤立点对支持向量机的影响.通过大量UCI数据集的实验结果表明,与其他同类算法相比,该算法能更好地提高不均衡数据的分类性能.

关键词：机器学习、分类、不均衡数据学习、支持向量机、代价敏感学习

所属期刊栏目：41

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金资助项目61302012;中央高校基本科研业务费专项基金资助项目N140403004

在线出版日期：2015-12-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：177-180,185