一種基于SVM的降維方法在三類ROC分析中的應用.pdf

1、隨著人工智能、大數(shù)據(jù)等技術(shù)的快速發(fā)展，機器學習迎來了發(fā)展的春天。機器學習是一門多領(lǐng)域的交叉學科，是人工智能研究的核心領(lǐng)域，不管是在工業(yè)界，還是在學術(shù)界都大家研究的熱點。機器學習理論主要目的是設計出一些算法使計算機具備自我學習的能力，通過訓練集獲取模型，并利用此模型對未知的訓練集樣本進行預測，在很多領(lǐng)域已經(jīng)達到甚至超越了人類的水平。在傳統(tǒng)的機器學習技術(shù)中，都是在假設樣本具有相同的類分布，且兩類錯誤代價相同的前提下的，而實際應用中數(shù)據(jù)往往是

2、不平衡分布的，錯誤代價也是存在著天壤之別的。為了推動機器學習技術(shù)的進一步發(fā)展，我們必須重新審視傳統(tǒng)機器學習中的局限性，而衡量機器學習算法的優(yōu)劣的標準是我們優(yōu)先考慮的方向，也就是ROC分析技術(shù)。目前ROC分析技術(shù)已經(jīng)廣泛應用到了生物醫(yī)學、信號處理、機器學習等領(lǐng)域，但主要應用在兩類問題中，在多類問題上，ROC面臨著高維空間、表示困難、難以理解等問題。
　　本文的主要目標是提出一種新的三分類分類器性能比較方法，用ROC曲面下的體積來比較

3、三分類分類器的性能，從而有效的拓展ROC分析技術(shù)在三分類問題上的應用。本文需要解決的主要問題是實現(xiàn)數(shù)據(jù)的降維、形成ROC曲面以及求得ROC曲面下體積的大小。本文以支持向量機為分類工具，采用“一對余”的分類方式對三類數(shù)據(jù)進行分類，得到三個一維的數(shù)值，然后以三個分類結(jié)果為坐標軸建立空間坐標系，然后在此基礎上進行數(shù)據(jù)的降維，先將數(shù)據(jù)投影到一個三維空間平面，再將三維空間平面上的數(shù)據(jù)映射到了二維空間。通過直角支架以一定的步數(shù)遍歷二維空間上的樣本點

4、，支架每到一個位置都會得到一個三維的點，所有的這些點就構(gòu)成了所要三維ROC曲面。最后使用分塊求體積的方式求得ROC曲面下的體積，將ROC曲面分成若干個小的三棱柱，每一個小的三棱柱又可以分為三個小的三棱錐。
　　最后，本文通過仿真數(shù)據(jù)集實驗和真實數(shù)據(jù)集實驗，結(jié)果充分驗證了本文方法的可靠性和優(yōu)越性，和傳統(tǒng)的三類ROC分析技術(shù)相比，本文方法避免了空間的高維化，具有容易表達，易于理解等優(yōu)點，和非參數(shù)法相比，本文所用體積法求VUS具有計算復