组合代价敏感支持向量机及其应用

摘要：

标准的分类器设计大多都是基于整体最小化错误率.在入侵检测、医疗诊断等领域中,不同类别的误分类通常具有不等的损失.文中采用支持向量机建立模型,在组合算法的思想下引入组合代价敏感支持向量机,弥补传统代价敏感支持向量机在分类精度上的不可控.在模型对比中引入了更为实际的对比方式,从而能更好地选取模型,以减少总体误分代价.文中考虑不同类别的误分代价的前提下建立合适的支持向量机模型,并成功地应用在个人信用分类上.

关键词：代价敏感学习、组合、支持向量机、个人信用评价、误分代价

所属期刊栏目：22

分类号：TP31(计算技术、计算机技术)

资助基金：人工智能四川省重点实验室开放基金2009RY001;"青蓝工程"项目计划

在线出版日期：2012-07-17（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：71-74,78