一種基于混合模型的不平衡數(shù)據(jù)分類算法的研究.pdf

1、隨著信息時(shí)代數(shù)據(jù)量的高速增長，如何盡可能的對(duì)海量數(shù)據(jù)中的稀有類別數(shù)據(jù)進(jìn)行正確的分類變得極為重要。傳統(tǒng)的不平衡數(shù)據(jù)分類算法由于自身分類局限性的影響導(dǎo)致對(duì)數(shù)據(jù)集中稀有類的識(shí)別率偏低，達(dá)不到實(shí)際應(yīng)用的要求。
　　本文提出了一種基于混合模型的CBP-SVM算法來有效提高對(duì)稀有類的識(shí)別率。CBP-SVM算法結(jié)合了多種方法來處理不平衡數(shù)據(jù)分類問題:它首先利用粒子群優(yōu)化算法(PSO)來優(yōu)化SVM中RBF核函數(shù)的參數(shù)，并將優(yōu)化后的SVM作為提升算

2、法(AdaBoost)的弱分類器形成了Boost-PSOSVM算法。在此基礎(chǔ)上，再結(jié)合級(jí)聯(lián)模型來組成一個(gè)混合分類模型來對(duì)數(shù)據(jù)集進(jìn)行分類。該混合分類模型中，Boost-PSOSVM算法將AdaBoost算法的權(quán)重更新規(guī)則和分類器集成方式做了一定的修改，并將優(yōu)化后的SVM作為其弱分類器來提高算法的訓(xùn)練精度。而級(jí)聯(lián)模型通過逐步排除數(shù)據(jù)集中多數(shù)類樣本來減小數(shù)據(jù)集的不平衡度，從而使每個(gè)級(jí)聯(lián)結(jié)點(diǎn)內(nèi)的Boost-PSOSVM算法集中精力來對(duì)稀有類樣本