本文關(guān)鍵詞： 數(shù)據(jù)挖掘 不平衡數(shù)據(jù)集 單隱層前饋神經(jīng)網(wǎng)絡(luò) 超限學(xué)習(xí)機(jī) 加權(quán)超限學(xué)習(xí)機(jī) 全局懲罰參數(shù) 分類器　出處：《哈爾濱工程大學(xué)學(xué)報(bào)》2017年09期 　論文類型：期刊論文

【摘要】：超限學(xué)習(xí)機(jī)在對(duì)不平衡數(shù)據(jù)集進(jìn)行學(xué)習(xí)和分類時(shí),正類樣本容易被錯(cuò)分。而加權(quán)超限學(xué)習(xí)機(jī)只考慮了數(shù)據(jù)集類之間的不平衡,忽視了樣本類內(nèi)的不平衡的現(xiàn)象。本文闡述了超限學(xué)習(xí)機(jī)在不平衡數(shù)據(jù)集上分類效果欠佳的原因,提出了根據(jù)數(shù)據(jù)集選取懲罰參數(shù)的方法,采用將類間的懲罰參數(shù)與類內(nèi)的懲罰參數(shù)相結(jié)合的方法,形成全局懲罰參數(shù),即將類懲罰參數(shù)進(jìn)一步精確到樣本個(gè)體懲罰參數(shù)。結(jié)果表明:這種方法實(shí)現(xiàn)起來簡(jiǎn)單方便,與其他類型的超限學(xué)習(xí)機(jī)相比較,這種全局懲罰參數(shù)的選擇方法在提高分類準(zhǔn)確率方面能夠取得更好的效果。
[Abstract]:When learning and classifying the unbalanced data sets, the positive class samples are easily misclassified, while the weighted out-of-limit learning machines only consider the imbalance between the classes of the data sets. In this paper, the reason why the classification effect of the out-of-range learning machine on the unbalanced data set is not good is discussed, and the method of selecting penalty parameters according to the data set is put forward. The global penalty parameters are formed by combining the punishment parameters between classes and the penalty parameters within classes. The result shows that this method is simple and convenient to implement, and compared with other kinds of over-limit learning machine. The selection of global penalty parameters can improve the classification accuracy.
【作者單位】： 浙江大學(xué)城市學(xué)院計(jì)算機(jī)系;麗水學(xué)院工學(xué)院;太平洋大學(xué)工程與計(jì)算機(jī)科學(xué)學(xué)院;
【基金】：國(guó)家自然科學(xué)基金項(xiàng)目(61373057) 浙江省自然科學(xué)基金項(xiàng)目(LY18F030003) 浙江省教育廳科研項(xiàng)目(Y201432787,Y201432200)
【分類號(hào)】：TP18
【正文快照】： 學(xué)學(xué)院,加利福尼亞斯托克頓95211)不平衡現(xiàn)象廣泛存在于現(xiàn)實(shí)世界中,例如,癌癥診斷、惡意騷擾電話識(shí)別、信用卡欺詐等問題都是不平衡數(shù)據(jù)集[1-3]。大多數(shù)分類模型和學(xué)習(xí)算法都假設(shè)樣本分布均衡,可實(shí)際數(shù)據(jù)集往往是不平衡的。不平衡數(shù)據(jù)集的主要特征是類間樣本數(shù)不相等。在二分

【相似文獻(xiàn)】

相關(guān)期刊論文 前7條

1 鄒權(quán);郭茂祖;劉揚(yáng);王峻;;類別不平衡的分類方法及在生物信息學(xué)中的應(yīng)用[J];計(jì)算機(jī)研究與發(fā)展;2010年08期

2 王偉;薛安榮;劉峰;;改進(jìn)的SVM解決背景知識(shí)數(shù)據(jù)中的類不平衡[J];計(jì)算機(jī)應(yīng)用研究;2011年08期

3 辛業(yè)春;李國(guó)慶;王朝斌;;無功和三相負(fù)荷不平衡的序分量法補(bǔ)償控制[J];電力系統(tǒng)保護(hù)與控制;2014年14期

4 毛韶華;胡青龍;吳笛;;電網(wǎng)不平衡條件下基于SVPWM的控制矢量研究[J];四川電力技術(shù);2007年04期

5 葉志飛;文益民;呂寶糧;;不平衡分類問題研究綜述[J];智能系統(tǒng)學(xué)報(bào);2009年02期

6 王和勇;樊泓坤;姚正安;李成安;;不平衡數(shù)據(jù)集的分類方法研究[J];計(jì)算機(jī)應(yīng)用研究;2008年05期

7 吳磊;房斌;刁麗萍;陳靜;謝娜娜;;融合過抽樣和欠抽樣的不平衡數(shù)據(jù)重抽樣方法[J];計(jì)算機(jī)工程與應(yīng)用;2013年21期

相關(guān)會(huì)議論文 前1條

1 廖芳宇;;基于LabVIEW的三相不平衡的測(cè)量[A];2011年云南電力技術(shù)論壇論文集（入選部分）[C];2011年

相關(guān)博士學(xué)位論文 前3條

1 房曉南;基于半監(jiān)督和集成學(xué)習(xí)的不平衡數(shù)據(jù)特征選擇和分類[D];山東師范大學(xué);2016年

2 王健;面向樣本不平衡的故障特征提取方法[D];東北大學(xué);2015年

3 楊澤平;基于神經(jīng)網(wǎng)絡(luò)的不平衡數(shù)據(jù)分類方法研究[D];華東理工大學(xué);2015年

相關(guān)碩士學(xué)位論文 前7條

1 賈鵬飛;針對(duì)高密度不平衡樣本分類方法的研究[D];哈爾濱工業(yè)大學(xué);2014年

2 楊康;基于結(jié)構(gòu)化SVM的直接優(yōu)化不平衡準(zhǔn)則算法研究[D];安徽大學(xué);2016年

3 司天琪;不平衡電網(wǎng)條件下雙饋風(fēng)力發(fā)電機(jī)預(yù)測(cè)控制研究[D];華北電力大學(xué)(北京);2016年

4 王鵬;面向不平衡數(shù)據(jù)分類問題的核邏輯回歸算法的設(shè)計(jì)與實(shí)現(xiàn)[D];西安電子科技大學(xué);2015年

5 劉東啟;基于支持向量機(jī)的不平衡數(shù)據(jù)分類算法研究[D];浙江大學(xué);2017年

6 李想;基于均衡采樣方法的數(shù)據(jù)不平衡問題研究[D];大連理工大學(xué);2014年

7 魏秀明;電能質(zhì)量的三相不平衡問題的研究[D];南京理工大學(xué);2012年

，

本文編號(hào)：1450890