密度加权近似支持向量机

被引：7

作者：

王熙照

崔芳芳

鲁淑霞

机构：

[1] 河北大学数学与计算机学院河北省机器学习与计算智能重点实验室

来源：

计算机科学 | 2012年 / 39卷 / 01期

关键词：

支持向量机; 近似支持向量机; 密度加权; 不平衡数据;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

标准的近似支持向量机(PSVM)用求解正则化最小二乘问题代替了求解二次规划问题,它可以得到一个解析解,从而减少训练时间。但是标准的PSVM没有考虑数据集中正、负样本的分布情况,对所有的样本都赋予了相同的惩罚因子。而在实际问题中,数据集中样本的分布是不平衡的。针对此问题,在PSVM的基础上提出了一种基于密度加权的近似支持向量机(DPSVM),其先计算样本的密度指标,不同的样例有不同的密度信息,因此对不同的样例给予不同的惩罚因子,并将原始优化问题中的惩罚因子由数值变为一个对角矩阵。在UCI数据集上用这种方法进行了实验,并与SVM和PSVM方法进行了比较,结果表明,DPSVM在正负类样本分布不平衡的数据集上有较好的分类性能。

引用

页码：182 / 184

页数：3

共 4 条

[1]

Least squares twin support vector machines for pattern classification[J] . M. Arun Kumar,M. Gopal.Expert Systems With Applications . 2008 (4)

[2]

Improving radial basis function kernel classification through incremental learning and automatic parameter selection[J] . Carlos Renjifo,David Barsic,Craig Carmen,Kevin Norman,G. Scott Peacock.Neurocomputing . 2008 (1)

[3] Least squares support vector machine classifiers [J].

Suykens, JAK ;

Vandewalle, J .

NEURAL PROCESSING LETTERS, 1999, 9 (03) :293-300

[4]

Matrix Computations .2 Golub GH,Van Loan CF. The Johns Hopkins University Press . 1996

← 1 →