面向不平衡数据的结构化支持向量机集成方法研究-计算机科学与技术;计算机软件与理论专业毕业论文.docxVIP

摘要摘要 摘要 摘要 不平衡数据在实际应用中广泛存在，如何从不平衡数据中学习并获得分类器成为 了当前机器学习研究领域的一个热点。该方面的研究已经取得了一定的成果，并在入 侵检测、信用卡交易和基因编码信息发现等应用领域得到了广泛的应用。 已有的针对均衡数据或代价不敏感的分类器评价准则对不平衡数据不再适合，因 为不平衡数据的分类器更关注少数的分类精度。针对不平衡数据的分类问题，研究者 侧重从数据层面、算法层面和评价准则等三个方面展开研究，取得了一定的进展。在 已有的针对不平衡数据的分类学习方法中，支持向量机(SVM)的变种成了主流的 方法之一，如：结构化不平衡支持向量机(S认SVM)，该模型是在不平衡支持向量 机(ASVM)的基础上，引入数据类内结构先验信息，有效地提高了分类器的性能。 本文以StASVM模型为基础，结合集成学习方法，提出了基于结构化支持向量机的 集成学习，主要工作如下： 1．提出了基于StASVM的集成算法(ES认SVM)。对大类样本进行聚类并进行 基于聚类的欠采样，进而构建多个子分类器，从而设计出子分类器的集成算法，其中 欠采样可有效地降低类别的不平衡性。实验表明，集成方法能够有效地提高算法的稳 定性和分类性能。 2．提出了基于随机子空间、特征选择和StASVM的集成算法(黜S认SV