基于非對稱加權(quán)和核方法的不平衡數(shù)據(jù)集.pdf

1、不平衡數(shù)據(jù)學(xué)習(xí)是近幾年來引起人們廣泛關(guān)注的一類重要的有監(jiān)督學(xué)習(xí)問題，數(shù)據(jù)的不平衡性存在于許多重要的實際領(lǐng)域，例如網(wǎng)絡(luò)入侵檢測，信息檢索，醫(yī)療診斷，基因分析等。由于兩類樣本點數(shù)目相差較大，采用傳統(tǒng)的分類方法無法實現(xiàn)對不平衡數(shù)據(jù)集的有效分類。因此，不平衡數(shù)據(jù)分類問題給當前機器學(xué)習(xí)帶來了巨大的挑戰(zhàn)。
　　針對不平衡數(shù)據(jù)集的分類問題，本文在如何有效提高少數(shù)類樣本點分類準確率和整體分類準確率以及減少支持向量數(shù)目方面進行了系列研究，主要創(chuàng)新成

2、果如下：
　　1，提出了處理不平衡數(shù)據(jù)集分類的兩種形式的非對稱加權(quán)方法,即給出了基于特征空間中線性形式雙隸屬度函數(shù)和指數(shù)形式雙隸屬度函數(shù)的非對稱加權(quán)算法，考慮了不同類的重要性和不同樣本點隸屬度的差別。實驗表明，該算法既提高了少數(shù)類樣本點的分類準確率（SE），也提高了正負類樣本點分類準確率的幾何平均值（G-means）。
　　2，將高斯核函數(shù)和多項式核函數(shù)混合應(yīng)用到非對稱加權(quán)方法中，提出了基于混合核函數(shù)的線性形式雙隸屬度函數(shù)和