基于支持向量機的不平衡樣本集分類算法研究.pdf

1、支持向量機是以統(tǒng)計學習理論和結構風險最小化原則為基礎的學習機器，被廣泛應用于分類領域，其在分類平衡樣本集時分類的效果非常好，能夠克服局部最小值的問題。但是，支持向量機在分類不平衡樣本集時，其分類效果卻并不理想。
　　本研究主要內容包括：⑴在分析研究導致不平衡樣本集分類不理想原因的基礎上，提出了基于最近鄰原則的欠采樣算法，然后結合k-means聚類算法對樣本進行分類。該算法不僅能降低算法時間復雜度，還能保證樣本集內部的屬性不變，而且

2、能有效地提高分類的準確率?；赨CI數據庫的仿真實驗證實了本文算法對不平衡樣本的分類效果更好。⑵先前的研究中，通常把樣本不平衡的原因歸結為兩類樣本數量上的不平衡，沒有充分考慮樣本點的分布情況。本文基于這一問題，提出了一種兼顧數量與樣本可分性的欠采樣算法。通過實驗的驗證，最終證實本文提出的算法能夠更好地改善不平衡樣本集分類不理想的問題。⑶僅僅依靠樣本點的可分性并不能完全的說明樣本點的分布情況，樣本集的分布中樣本集的密度及空間距離也是影響不