计算机应用
計算機應用
계산궤응용
COMPUTER APPLICATION
2015年
5期
1306-1309
,共4页
非平衡数据%分类算法%支持向量机%集成分类器
非平衡數據%分類算法%支持嚮量機%集成分類器
비평형수거%분류산법%지지향량궤%집성분류기
unbalanced data%classification method%Support Vector Machine (SVM)%ensemble classifier
传统的分类算法大都建立在平衡数据集的基础上,当样本数据不平衡时,这些学习算法的性能往往会明显下降.对于非平衡数据分类问题,提出了一种优化的支持向量机(SVM)集成分类器模型,采用KSMOTE和Bootstrap对非平衡数据进行预处理,生成相应的SVM模型并用复合形算法优化模型参数,最后利用优化的参数并行生成SVM集成分类器模型,采用投票机制得到分类结果.对5组UCI标准数据集进行实验,结果表明采用优化的SVM集成分类器模型较SVM模型、优化的SVM模型等分类精度有了明显的提升,同时验证了不同的bootNum取值对分类器性能效果的影响.
傳統的分類算法大都建立在平衡數據集的基礎上,噹樣本數據不平衡時,這些學習算法的性能往往會明顯下降.對于非平衡數據分類問題,提齣瞭一種優化的支持嚮量機(SVM)集成分類器模型,採用KSMOTE和Bootstrap對非平衡數據進行預處理,生成相應的SVM模型併用複閤形算法優化模型參數,最後利用優化的參數併行生成SVM集成分類器模型,採用投票機製得到分類結果.對5組UCI標準數據集進行實驗,結果錶明採用優化的SVM集成分類器模型較SVM模型、優化的SVM模型等分類精度有瞭明顯的提升,同時驗證瞭不同的bootNum取值對分類器性能效果的影響.
전통적분류산법대도건립재평형수거집적기출상,당양본수거불평형시,저사학습산법적성능왕왕회명현하강.대우비평형수거분류문제,제출료일충우화적지지향량궤(SVM)집성분류기모형,채용KSMOTE화Bootstrap대비평형수거진행예처리,생성상응적SVM모형병용복합형산법우화모형삼수,최후이용우화적삼수병행생성SVM집성분류기모형,채용투표궤제득도분류결과.대5조UCI표준수거집진행실험,결과표명채용우화적SVM집성분류기모형교SVM모형、우화적SVM모형등분류정도유료명현적제승,동시험증료불동적bootNum취치대분류기성능효과적영향.
