基于代价敏感大间隔分布机的不平衡数据分类算法

作者：曹雅茜; 黄海燕^*

来源：华东理工大学学报, 2019, 45(04): 606-613.

DOI：10.14135/j.cnki.1006-3080.20180515001

• 不平衡数据
• 代价敏感学习
• 大间隔分布
• 循环对偶坐标下降法

大间隔分布学习机(LDM)在应用于不平衡据分类时,由于忽略类别不均衡,会使少数类样本的识别率较低。针对这一不足,结合代价敏感思想提出了一种不平衡代价敏感大间隔分布算法(ICS-LDM)。首先,在计算间隔均值和间隔方差时,结合数据集的不平衡因子和样本错分代价参数,调整不同类别的间隔分布权重;其次,将可以快速收敛的循环对偶坐标下降法应用于求解目标函数;最后,通过逐渐提高少数类的间隔分布,可以实现间隔分布在各类别平衡且总体最大。在虚拟数据集和UCI公开数据集上的实验结果表明,ICS-LDM可以有效提高少数类的分类精度,平衡各类的分类性能。

• 单位
  华东理工大学