计算机研究与发展
計算機研究與髮展
계산궤연구여발전
JOURNAL OF COMPUTER RESEARCH AND DEVELOPMENT
2013年
11期
2315-2324
,共10页
支持向量机%粒度支持向量机%不平衡分布%粒%偏移因子%S-GSVM模型
支持嚮量機%粒度支持嚮量機%不平衡分佈%粒%偏移因子%S-GSVM模型
지지향량궤%립도지지향량궤%불평형분포%립%편이인자%S-GSVM모형
support vector machine%granular support vector machine%imbalance distribution%granule%shift parameter%S_ GSVM model
在实际应用中,数据集样本规模、分布密度的不平衡性可能会使传统支持向量机(support vector machine,SVM)得到的分类超平面不是最优,在对传统支持向量机最优分类面分析的基础上,结合粒度计算(granular computing,GrC)理论,针对数据规模和分布密度不平衡的数据集,提出一种基于粒度偏移因子的粒度支持向量机(granular SVM,GSVM)学习方法,称为S _GSVM方法,该方法将原始样本用Mercer核映射到高维空间,然后在高维空间中对数据进行有效的粒划分,通过对不同的粒计算不同的超平面偏移因子,重新构造支持向量机的凸二次优化问题,以得到一个泛化能力更好的分类超平面.S-GSVM方法充分考虑了数据复杂分布对于泛化能力的影响,对基于最大间隔的分类面进行改进,实验结果表明,S-GSVM方法在非平衡数据集上能得到较好的泛化性能.
在實際應用中,數據集樣本規模、分佈密度的不平衡性可能會使傳統支持嚮量機(support vector machine,SVM)得到的分類超平麵不是最優,在對傳統支持嚮量機最優分類麵分析的基礎上,結閤粒度計算(granular computing,GrC)理論,針對數據規模和分佈密度不平衡的數據集,提齣一種基于粒度偏移因子的粒度支持嚮量機(granular SVM,GSVM)學習方法,稱為S _GSVM方法,該方法將原始樣本用Mercer覈映射到高維空間,然後在高維空間中對數據進行有效的粒劃分,通過對不同的粒計算不同的超平麵偏移因子,重新構造支持嚮量機的凸二次優化問題,以得到一箇汎化能力更好的分類超平麵.S-GSVM方法充分攷慮瞭數據複雜分佈對于汎化能力的影響,對基于最大間隔的分類麵進行改進,實驗結果錶明,S-GSVM方法在非平衡數據集上能得到較好的汎化性能.
재실제응용중,수거집양본규모、분포밀도적불평형성가능회사전통지지향량궤(support vector machine,SVM)득도적분류초평면불시최우,재대전통지지향량궤최우분류면분석적기출상,결합립도계산(granular computing,GrC)이론,침대수거규모화분포밀도불평형적수거집,제출일충기우립도편이인자적립도지지향량궤(granular SVM,GSVM)학습방법,칭위S _GSVM방법,해방법장원시양본용Mercer핵영사도고유공간,연후재고유공간중대수거진행유효적립화분,통과대불동적립계산불동적초평면편이인자,중신구조지지향량궤적철이차우화문제,이득도일개범화능력경호적분류초평면.S-GSVM방법충분고필료수거복잡분포대우범화능력적영향,대기우최대간격적분류면진행개진,실험결과표명,S-GSVM방법재비평형수거집상능득도교호적범화성능.
