一種用于學習非平衡數(shù)據(jù)支持向量機的改進.pdf

1、支持向量機(Support Vector Machine，SVM)是由Vapnik等人于上世紀90年代提出的一種嶄新的學習機器，它作為統(tǒng)計學習理論的實現(xiàn)方法，是處理小樣本學習的有效工具，在模式識別、信號處理、自動化、通訊等領域得到了廣泛應用。在不平衡樣本集中，不同類別的樣本數(shù)量上的差異導致分類器性能的下降，所以一直以來不平衡樣本集都是機器學習的一個研究熱點。在不平衡樣本集中尋找SVM的最優(yōu)參數(shù)(又稱模型選擇)也是SVM研究領域的一個重要

2、分支。 實際應用中，分類數(shù)據(jù)往往是非平衡數(shù)據(jù)，少數(shù)類別的數(shù)據(jù)可能有很大的分類代價。分類性能不僅要考慮分類精度，同時要考慮分類代價。本文主要研究了非平衡SVM中參數(shù)的優(yōu)化選取問題。SVM在各行各業(yè)中的應用已經(jīng)取得了良好的效果，SVM的參數(shù)選取是SVM研究中的重要問題，參數(shù)選取的不同，對SVM的泛化性能影響很大。非平衡SVM的參數(shù)優(yōu)化選取的研究較少，本文針對非平衡問題，建立了參數(shù)選取的模型，設計了算法，并進行了相關實驗。 本