基于多核函數(shù)SVM的非平衡數(shù)據(jù)分類研究.pdf

1、在這個(gè)被大量信息包圍的世界里，對(duì)數(shù)據(jù)的識(shí)別和判定成為現(xiàn)如今數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)。支持向量機(jī)以其堅(jiān)實(shí)的理論基礎(chǔ)和能解決高維數(shù)、非線性問題的技能成為眾多研究者追捧的研究對(duì)象。尤其在樣本數(shù)量很少的情況下，支持向量機(jī)的優(yōu)越表現(xiàn)成為解決典型的小樣本學(xué)習(xí)問題的首選。通常情況下，在數(shù)據(jù)呈現(xiàn)平衡分布時(shí)支持向量機(jī)能夠取得良好的分類效果?？墒菙?shù)據(jù)由于實(shí)際應(yīng)用中的人為或者內(nèi)在原因常表現(xiàn)出嚴(yán)重的非平衡特性。研究表明，在樣本數(shù)量不平衡的情況下支持向量

2、機(jī)分類效果不理想。因此研究基于SVM的非平衡數(shù)據(jù)分類方法具有十分重要的意義。
　　 本文針對(duì)支持向量機(jī)在非平衡數(shù)據(jù)上分類準(zhǔn)確率較低等問題展開研究，重點(diǎn)研究基于多核SVM的非平衡數(shù)據(jù)分類方法，論文的主要研究?jī)?nèi)容包括:
　　 (1)分析了支持向量機(jī)在非平衡數(shù)據(jù)上對(duì)少類樣本分類準(zhǔn)確率較低的原因，然后提出了一種帶權(quán)重的支持向量機(jī)方法——uSVM。該方法將參數(shù)u引入到分類決策函數(shù)中，使得分類超平面向多數(shù)類樣本偏移，擴(kuò)大少數(shù)類樣本的

3、決策空間，提高了少數(shù)類樣本的分類準(zhǔn)確率。
　　 (2)針對(duì)多項(xiàng)式核或RBF核SVM不能很好地處理數(shù)據(jù)非平衡問題，提出了一種基于聚類多核uSVM的分類方法，該方法對(duì)多數(shù)類進(jìn)行聚類后采用多核函數(shù)訓(xùn)練過的SVM對(duì)非平衡數(shù)據(jù)分類，進(jìn)而得到?jīng)Q策函數(shù)，然后再對(duì)決策函數(shù)加權(quán)得到最終的分類結(jié)果。實(shí)驗(yàn)結(jié)果表明，聚類多核uSVM分類性能優(yōu)于單獨(dú)使用局部或全局核函數(shù)。
　　 (3)針對(duì)AdaBoost和Bagging集成方法在非平衡數(shù)據(jù)分類方