计算机工程
計算機工程
계산궤공정
COMPUTER ENGINEERING
2010年
2期
181-183
,共3页
粒度支持向量机%非平衡数据%信息粒%局部支持向量
粒度支持嚮量機%非平衡數據%信息粒%跼部支持嚮量
립도지지향량궤%비평형수거%신식립%국부지지향량
Guanular Support Vector Machine(GSVM)%imbalanced data%information granule%local support vectors
针对支持向量机对于非平衡数据不能进行有效分类的问题,提出一种粒度支持向量机学习算法.根据粒度计算思想对多数类样本进行粒划分并从中获取信息粒,以使数据趋于平衡.通过这些信息粒来寻找局部支持向量,并在这些局部支持向量和少数类样本上进行有效学习,使SVM在非平衡数据集上获得令人满意的泛化能力.
針對支持嚮量機對于非平衡數據不能進行有效分類的問題,提齣一種粒度支持嚮量機學習算法.根據粒度計算思想對多數類樣本進行粒劃分併從中穫取信息粒,以使數據趨于平衡.通過這些信息粒來尋找跼部支持嚮量,併在這些跼部支持嚮量和少數類樣本上進行有效學習,使SVM在非平衡數據集上穫得令人滿意的汎化能力.
침대지지향량궤대우비평형수거불능진행유효분류적문제,제출일충립도지지향량궤학습산법.근거립도계산사상대다수류양본진행립화분병종중획취신식립,이사수거추우평형.통과저사신식립래심조국부지지향량,병재저사국부지지향량화소수류양본상진행유효학습,사SVM재비평형수거집상획득령인만의적범화능력.
This paper presents a Granular Support Vector Machine(GSVM) learning algorithm in order to improve the performance of SVM on imbalanced datasets. The GSVM divides some granules for majority data based on granular computing theory and extracts information granules. So the data becomes balanced, then GSVM finds local support vectors from those granules. SVM learns on these LSVs together with minority data. The satisfactory generalization performance can be obtained on imbalanced data.
