在機器學習和數(shù)據(jù)挖掘領(lǐng)域,將類別錯分代價的概念引入到分類器的設(shè)計中被稱之為代價敏感學習。在代價敏感分類問題中,代價矩陣通常假設(shè)是已知的,矩陣中每一個元素的具體含義是把某一類誤分成另一類的代價。加權(quán)最小二乘法是處理代價敏感分類問題的典型方法。分配合理的權(quán)重到不同類別會大大提高分類模型的分類能力。然而在實際問題里,我們僅知這些權(quán)重依賴于代價矩陣,但很少見到如何根據(jù)代價矩陣確定這些權(quán)重。本文研究了一種ELM的加權(quán)最小二乘模型,它基于遺傳算法從代價矩陣確定訓(xùn)練樣本的權(quán)重。本文主要完成了以下工作:(1)研究了一種ELM的加權(quán)最小二乘模型,它基于遺傳算法從代價矩陣確定訓(xùn)練樣本的權(quán)重。代價敏感分類器能處理不平衡分類問題,同時能大大降低平均誤分類代價。不同的權(quán)重對分類器影響不一樣。分配合理的權(quán)重到不同類別將大大提高分類器的分類能力。實驗結(jié)果表明,遺傳算法能解決本文的研究問題。對于不同的數(shù)據(jù)集,加權(quán)最小二乘模型的總代價是近似最小的且得到與其對應(yīng)的訓(xùn)練樣本的權(quán)重。(2)研究了加權(quán)最小二乘模型中的代價矩陣與權(quán)重之間的關(guān)系。實驗結(jié)果表明,就二分類和三分類而言,代價矩陣中某一列各個數(shù)字相加的代價越大,那么某類所... 

【文章來源】：深圳大學廣東省

【文章頁數(shù)】：78 頁

【學位級別】：碩士

【部分圖文】：

單隱層前饋神經(jīng)網(wǎng)絡(luò)

極限學習機ELM與神經(jīng)網(wǎng)絡(luò)相結(jié)合

【參考文獻】：
期刊論文
[1]基于代價敏感的樸素貝葉斯不平衡數(shù)據(jù)分類研究[J]. 蔣盛益,謝照青,余雯.  計算機研究與發(fā)展. 2011(S1)
[2]代價敏感支持向量機[J]. 鄭恩輝,李平,宋執(zhí)環(huán).  控制與決策. 2006(04)
[3]SVM-KNN分類器——一種提高SVM分類精度的新方法[J]. 李蓉,葉世偉,史忠植.  電子學報. 2002(05)
[4]遺傳算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合[J]. 李敏強,徐博藝,寇紀淞.  系統(tǒng)工程理論與實踐. 1999(02)



本文編號：2911016