加權(quán)核心集向量機.pdf

1、對大樣本數(shù)據(jù)進行訓練一直是機器學習領(lǐng)域里一個典型的問題,一般的核心集向量機可以實現(xiàn)對大樣本進行訓練,但許多樣本中樣例的分布往往是不平衡的,一般的核心集向量機沒有考慮這一問題,賦予所有樣本點以相同的懲罰因子,使得分類精度較低,分類效果不好。
　　針對樣本容量較大和樣例分布的不平衡這兩個問題,論文從以下兩個方面對加權(quán)的核心集向量機進行了研究:
　　1、提出了一種快速算法,加權(quán)的核心集向量機,它的算法由兩個階段組成。在第一階段中,

2、使用核心集向量機法或一般化的核心集向量機法有效地獲得核心集。在第二階段中,用加權(quán)的支持向量機對分布不平衡的樣本進行訓練。
　　2、針對目前在大規(guī)模數(shù)據(jù)和不平衡數(shù)據(jù)分類時存在的一些問題,提出了一種新的分類方法。利用基于最大夾角間隔的核心集向量機算法實現(xiàn)對大樣本數(shù)據(jù)的分類,針對不平衡數(shù)據(jù)分類問題,通過對不同的樣本給予不同的權(quán)重,來提高算法的分類性能。加權(quán)最大夾角間隔核心集向量機方法不僅能夠有效地解決不平衡數(shù)據(jù)的分類問題,而且能夠?qū)崿F(xiàn)對