總體錯誤率與孿生極端學(xué)習(xí)機.pdf

1、總體錯誤率（TER）在處理多類分類問題中采用傳統(tǒng)的一對余的學(xué)習(xí)方法，導(dǎo)致在訓(xùn)練過程中因多次計算而浪費不必要的時間；同時也可能對數(shù)據(jù)一類對多類的劃分產(chǎn)生不平衡的數(shù)據(jù)集從而對實驗精度產(chǎn)生影響。因此本文提出了專門針對多類分類問題的新算法：多類分類總體錯誤率（MTER）。多類分類總體錯誤率以極端學(xué)習(xí)機的一致逼近性為基礎(chǔ)，對多類分類問題的總體錯誤率進行了改進：用一種統(tǒng)一的最優(yōu)化模型分別計算多類分類樣本中每一類的總體錯誤率，既可以避免多次計算中不必

2、要的計算步驟從而節(jié)約時間，同時把各個類別的數(shù)據(jù)集統(tǒng)一劃分，分別計算而不是一類對多類的不平衡數(shù)據(jù)從而避免產(chǎn)生不平衡的數(shù)據(jù)，具有很好的優(yōu)越性。實驗結(jié)果證明了多類分類總體錯誤率（MTER）算法的優(yōu)越性。
　　孿生參數(shù)間隔支持向量機（TPMSVM）在模型運算過程中需要對二次規(guī)劃模型進行計算，比較復(fù)雜耗時。針對這一缺點，本文提出了孿生參數(shù)間隔極端支持向量機（TPMESVM）。TPMESVM利用極端學(xué)習(xí)機的一致逼近性的優(yōu)點，運用到分類問題的最