本文關鍵詞：基于支持向量上采樣的不平衡數(shù)據(jù)分類方法

  更多相關文章： 支持向量 采樣 不平衡數(shù)據(jù) 分類

【摘要】：傳統(tǒng)的支持向量機在處理不平衡數(shù)據(jù)時效果不佳。為了提高少類樣本的識別精度,提出了一種基于支持向量的上采樣方法。首先根據(jù)K近鄰的思想清除原始數(shù)據(jù)集中的噪聲;然后用支持向量機對訓練集進行學習以獲得支持向量,進一步對少類樣本的每一個支持向量添加服從一定規(guī)律的噪聲,增加少數(shù)類樣本的數(shù)目以獲得相對平衡的數(shù)據(jù)集;最后將獲得的新數(shù)據(jù)集用支持向量機學習。實驗結果顯示,該方法在人工數(shù)據(jù)集和UCI標準數(shù)據(jù)集上均是有效的。
【作者單位】： 五邑大學信息工程學院;中山大學數(shù)據(jù)科學與計算機學院;
【關鍵詞】： 支持向量 采樣 不平衡數(shù)據(jù) 分類
【基金】：廣東省特色創(chuàng)新類項目(2015KTSCX143) 廣東省青年創(chuàng)新人才項目(2015KQN CX172) 江門市科技計劃項目(江科[2016]189號,江科[2015]138號) 五邑大學青年基金(2013zk07,2015zk11)資助
【分類號】：TP181
【正文快照】： 到稿日期:2016-08-20返修日期:2016-10-31本文受廣東省特色創(chuàng)新類項目(2015KTSCX143),廣東省青年創(chuàng)新人才項目(2015KQNCX172),江門市科技計劃項目(江科[2016]189號,江科[2015]138號),五邑大學青年基金(2013zk07,2015zk11)資助。1引言支持向量機(Support Vector Machine,SVM)是，

本文編號：636578