非平衡數(shù)據(jù)下的核方法分類研究.pdf

1、非平衡數(shù)據(jù)分類問題廣泛存在于現(xiàn)實世界中,如醫(yī)療診斷、雷達圖像監(jiān)測、詐騙檢測等。由于其固有的不均勻特性,即正負樣本數(shù)目相差懸殊,導致了傳統(tǒng)的分類算法的有效性降低。因此如何對其有效的準確分類已經(jīng)成為當前機器學習和模式識別領域中的研究熱點之一。
　　 本文的研究工作主要以傳統(tǒng)的核方法為基礎,通過新的過采樣方法以及結合基于不同懲罰因子的支持向量機學習算法,來達到優(yōu)化非平衡數(shù)據(jù)分類性能的目的。本文的主要貢獻有:
　　 (1)針對非

2、平衡數(shù)據(jù)中的不平衡問題,提出了在核方法里的象空間進行數(shù)據(jù)處理的方法即SMOIS(SyntheticMinorityOver-samplingInImageSpace)方法。該方法不同于在數(shù)據(jù)原空間中產(chǎn)生新合成的少數(shù)類樣本的策略,而是通過在映射后的象空間(ImageSpace)里引入非重復性的人造少數(shù)類樣本,以減少分類算法對少數(shù)類樣本的敏感度,實驗結果表明,在ROC曲線和g-means評估度量上該方法能達到一個更好的分類性能。