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(fù)樣本數(shù)目相差懸殊,導(dǎo)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(zhǔn)確分類已經(jīng)成為當(dāng)前機器學(xué)習(xí)和模式識別領(lǐng)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(chǔ),通過新的過采樣方法以及結(jié)合基于不同懲罰因子的支持向量機學(xué)習(xí)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(fù)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(jié)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。