10.7544/issn1000-1239.2016.20150436
代价敏感大间隔分布学习机
在现实生活中的很多应用里,对不同类别的样本错误地分类往往会造成不同程度的损失,这些损失可以用非均衡代价来刻画。代价敏感学习的目标就是最小化总体代价。提出了一种新的代价敏感分类方法———代价敏感大间隔分布学习机(cost‐sensitive large margin distribution machine ,CS‐LDM )。与传统的大间隔学习方法试图最大化“最小间隔”不同,CS‐LDM 在最小化总体代价的同时致力于对“间隔分布”进行优化,并通过对偶坐标下降方法优化目标函数,以有效地进行代价敏感学习。实验结果表明,CS‐LDM 的性能显著优于代价敏感支持向量机 CS‐SVM ,平均总体代价下降了24%。
代价敏感学习、间隔分布、支持向量机、表示定理、对偶坐标下降法
53
TP181(自动化基础理论)
国家自然科学基金项目61333014,61321491 T his work was supported by the National Natural Science Foundation of China 61333014,61321491.
2016-10-11(万方平台首次上网日期,不代表论文的发表时间)
共7页
1964-1970