代价敏感大间隔分布学习机

摘要：

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％。

关键词：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

所属期刊栏目：53

分类号：TP181(自动化基础理论)

资助基金：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．

在线出版日期：2016-10-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：1964-1970