基于多核函數(shù)SVM的非平衡數(shù)據(jù)分類研究.pdf

1、在這個被大量信息包圍的世界里，對數(shù)據(jù)的識別和判定成為現(xiàn)如今數(shù)據(jù)挖掘和機器學習領域的研究熱點。支持向量機以其堅實的理論基礎和能解決高維數(shù)、非線性問題的技能成為眾多研究者追捧的研究對象。尤其在樣本數(shù)量很少的情況下，支持向量機的優(yōu)越表現(xiàn)成為解決典型的小樣本學習問題的首選。通常情況下，在數(shù)據(jù)呈現(xiàn)平衡分布時支持向量機能夠取得良好的分類效果?？墒菙?shù)據(jù)由于實際應用中的人為或者內(nèi)在原因常表現(xiàn)出嚴重的非平衡特性。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。
　　 本文針對支持向量機在非平衡數(shù)據(jù)上分類準確率較低等問題展開研究，重點研究基于多核SVM的非平衡數(shù)據(jù)分類方法，論文的主要研究內(nèi)容包括:
　　 (1)分析了支持向量機在非平衡數(shù)據(jù)上對少類樣本分類準確率較低的原因，然后提出了一種帶權重的支持向量機方法——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)類樣本的分類準確率。
　　 (2)針對多項式核或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，該方法對多數(shù)類進行聚類后采用多核函數(shù)訓練過的SVM對非平衡數(shù)據(jù)分類，進而得到?jīng)Q策函數(shù)，然后再對決策函數(shù)加權得到最終的分類結(jié)果。實驗結(jié)果表明，聚類多核uSVM分類性能優(yōu)于單獨使用局部或全局核函數(shù)。
　　 (3)針對AdaBoost和Bagging集成方法在非平衡數(shù)據(jù)分類方