一种面向不平衡数据集的核Fisher线性判别分析方法

被引：26

作者：

尹军梅

杨明

万建武

机构：

[1] 南京师范大学计算机科学与技术学院

[2] 江苏省信息安全保密技术工程研究中心

来源：

模式识别与人工智能 | 2010年 / 23卷 / 03期

关键词：

不平衡数据集; 核Fisher线性判别分析(KFDA); 过抽样; 欠抽样;

D O I：

10.16451/j.cnki.issn1003-6059.2010.03.019

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

140502 [人工智能];

摘要：

实际应用中,很多分类问题是面向不平衡数据的分类,而不平衡数据集会导致许多分类器的性能下降.文中介绍核Fisher线性判别分析的分类机制,分析不平衡数据导致核Fisher线性判别分析失效的原因,进而提出一种加权核Fisher线性判别分析方法.该方法通过调整两类样本的核协方差矩阵对核类内离散度矩阵的贡献,可克服不平衡数据对分类性能的影响.为进一步测试该方法,对UCI数据集进行实验测试,实验结果表明该方法可有效改进分类器的分类性能.

引用

页码：414 / 420

页数：7

共 7 条

[1]

不均衡数据集中基于Adaboost的过抽样算法 [J].