基于不平衡數(shù)據(jù)集的支持向量機(jī)模型與算法研究

1、學(xué)校代碼：10406分類號：TP181學(xué)號：150408521012南昌航空大學(xué)南昌航空大學(xué)碩士學(xué)位論文（專業(yè)學(xué)位研究生）基于不平衡數(shù)據(jù)集的支持向量機(jī)基于不平衡數(shù)據(jù)集的支持向量機(jī)模型與算法研究模型與算法研究碩士研究生：黃樂樂導(dǎo)師：張小鋒申請學(xué)位級別：碩士學(xué)科、專業(yè)：控制工程所在單位：信息工程學(xué)院答辯日期：2018年6月授予學(xué)位單位：南昌航空大學(xué)萬方數(shù)據(jù)I摘要支持向量機(jī)（SupptVectMachineSVM）是一種重要機(jī)器學(xué)習(xí)算法，它基

2、于VC維和結(jié)構(gòu)風(fēng)險(xiǎn)最小化等統(tǒng)計(jì)學(xué)習(xí)理論發(fā)展而來，具有堅(jiān)實(shí)的理論基礎(chǔ)和普遍的實(shí)用性。其通常在類別相對平衡的數(shù)據(jù)中能夠呈現(xiàn)良好的分類效果。但實(shí)際應(yīng)用中許多分類問題都呈現(xiàn)出高度不平衡特性，對于不平衡的分類問題，支持向量機(jī)往往不具有很好的分類性能。本文基于不平衡分類問題的研究背景，對支持向量機(jī)算法的原理及其對不平衡數(shù)據(jù)分類的缺陷進(jìn)行分析。對現(xiàn)有針對不平衡分類典型的改進(jìn)型支持向量機(jī)算法進(jìn)行實(shí)驗(yàn)驗(yàn)證，詳細(xì)分析其優(yōu)點(diǎn)和缺點(diǎn)，并基于此提出一種改進(jìn)的算法

3、——概率優(yōu)化代價(jià)敏感支持向量機(jī)（PCSSVM）。論文的主要研究內(nèi)容有：（1）對支持向量機(jī)算法作用于不平衡數(shù)據(jù)效果不佳的原因進(jìn)行詳細(xì)分析，并通過實(shí)驗(yàn)對所述原因進(jìn)行驗(yàn)證；基于目前典型的不平衡數(shù)據(jù)采樣方法和改進(jìn)的支持向量機(jī)算法，通過實(shí)驗(yàn)驗(yàn)證其在不平衡數(shù)據(jù)分類上的有效性；并指出傳統(tǒng)改進(jìn)算法的不足之處。（2）基于現(xiàn)有的代價(jià)敏感支持向量機(jī)算法，引入樣本分布概率密度函數(shù)（PDF），有效地調(diào)整優(yōu)化問題中的懲罰參數(shù)，提出一種改進(jìn)的支持向量機(jī)算法PCSSV

4、M。算法使用相似度矩陣和預(yù)定義的超參數(shù)對超平面附近的樣本類別進(jìn)行估算，進(jìn)而有效調(diào)整分離超平面；結(jié)合不同改進(jìn)算法的優(yōu)點(diǎn)，提高了算法在不同數(shù)據(jù)特性上的適應(yīng)性和魯棒性。（3）利用16組實(shí)際不平衡數(shù)據(jù)集對PCSSVM算法進(jìn)行驗(yàn)證，比較PCSSVM算法與目前典型SVM改進(jìn)算法的分類性能，使用不同的評價(jià)指標(biāo)對新算法和傳統(tǒng)改進(jìn)算法的預(yù)測效果進(jìn)行評價(jià)；并利用T檢驗(yàn)的方法進(jìn)一步比較PCSSVM算法與其他SVM改進(jìn)算法，驗(yàn)證PCSSVM算法的有效性。關(guān)鍵詞