针对不平衡数据的PSO-DEC-IFSVM分类算法

作者：魏建安; 黄海松^*; 康佩栋

来源：数据采集与处理, 2019, 34(04): 723-735.

DOI：10.16337/j.1004-9037.2019.04.018

• 不平衡数据分类
• 改进模糊支持向量机
• 样本信息量
• 粒子群算法
• 参数寻优

针对不平衡数据集下,传统的模糊支持向量机(Fussy support vector machine,FSVM)算法分类效果不够明显,引入的参数未做优化等缺点,本文提出一种基于粒子群算法(Particle swarm optimization,PSO)优化的改进模糊支持向量机算法,即PSO-DEC-IFSVM算法。该算法首先综合考虑训练样本到其类中心的间距、样本周围的紧密度以及样本的信息量设计模糊隶属度函数,然后将此改进的模糊支持向量机与不同惩罚因子(Different error costs,DEC)算法相结合得到DEC-IFSVM算法,最后利用粒子群算法对DEC-IFSVM算法引入的参数进行优化。实验证明:对于UCI公共数据集中的Pima等6种不平衡数据集,相比已有的FSVM及其改进算法,PSO-DEC-IFSVM算法具有更好的正负类分类效果以及更强的鲁棒性。

• 单位
  贵州大学