改进SVM不平衡数据分类的IGWOSMOTE方法

摘要：

为了改善传统支持向量机SVM对不平衡数据集中少数类的分类效果,提出一种基于改进灰狼算法(IGWO)的过采样方法——IGWOSMOTE.首先,改进初始灰狼种群的生成形式,由SVM的惩罚因子、核参数、特征向量和少数类的采样率组成灰狼个体;然后,经由灰狼优化过程智能搜索获得最优相关参数和最优采样率组合,进行重新采样供分类器学习及预测.通过对6个UCI数据集的分类实验得出:IGWOSMOTE+SVM较传统SMOTE+SVM方法在少数类分类精度上提高了6.3个百分点,在整体数据集分类精度上提高了2.1个百分点,IGWOSMOTE可作为一种新的过采样分类方法.

关键词：支持向量机、不平衡数据、过采样、灰狼优化算法

所属期刊栏目：44

分类号：TP391(计算技术、计算机技术)

在线出版日期：2022-06-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1133-1140