×
史勇;田英杰;陈晓军;张鹏

用于分类的正则化多准则线性规划。 （英语） Zbl 1187.90262号

科学。中国，Ser。F类 52，第10期，1812-1820（2009）.
摘要：尽管多准则数学程序（MCMP）作为一种替代的分类方法已被用于各种现实数据挖掘问题，但其可解性的数学结构仍然具有挑战性。针对两类分类问题，提出了一种正则化多准则线性规划（RMCLP）。它首先在已知的多准则线性规划（MCLP）模型的目标函数中添加一些正则化项，以确定解的可能存在性。然后描述了可解性的数学框架。最后，进行了一系列实验测试，以说明所提出的RMCLP与现有方法的性能：MCLP、多准则二次规划（MCQP）和支持向量机（SVM）。四个公开数据集和一个真实信用数据集的结果都表明，RMCLP是一种具有竞争力的分类方法。此外，本文还探索了一个求解有序多群问题的有序RMCLP（ORMCLP）模型。将ORMCLP与传统的方法如One-Against-One、One-Agains-Therest在大规模信用卡数据集上进行比较，实验结果表明ORMCLP和RMCLP都表现良好。

引用于1文件

MSC公司：

90C29型 多目标规划
90C05（二氧化碳） 线性规划

关键词：

多准则数学程序;正则化多准则数学程序;分类;数据挖掘

软件：

SVMTorch公司;UCI-毫升;GPDT公司
PDF格式BibTeX公司 XML格式引用
\textit{Y.Shi}等人，科学。中国，Ser。F 52，编号10，1812--1820（2009；Zbl 1187.90262）
全文： 内政部

参考文献：

[1] Vapnik V N.统计学习理论的本质。第二版，纽约：施普林格出版社，2000年·Zbl 0934.62009号
[2] Vapnik V，Golowich S E，Smola A.函数逼近、回归估计和信号处理的支持向量法。主题：神经信息处理系统进展。马萨诸塞州剑桥：麻省理工学院出版社，1997年。281–287
[3] Osuna E，Freund R，Griosi F.支持向量机的改进训练算法。1997年，美国佛罗里达州阿米利亚岛，神经网络信号处理。276–285
[4] Burges C J，Scholkopf B。提高支持向量机的精度和速度。主题：神经信息处理系统进展。马萨诸塞州剑桥：麻省理工学院出版社，1997年。375–381
[5] Zanni L，Serafini T，Zanghirati G.在多处理器系统上训练大规模支持向量机的并行软件。J Mach Learn Res，2006，7:1467–1492·兹比尔1222.68341
[6] Platt J.C.使用序列最小优化的支持向量机的快速训练。内容：内核方法的进展：支持向量学习。剑桥马萨诸塞州：麻省理工学院出版社，1999年
[7] Collobert R，Svmtorch S B.大规模回归问题的支持向量机。J Mach Learn Res，2001，1:143–160·Zbl 1052.68111号 ·doi:10.1162/15324430152733142
[8] Ferris M，Munson T。大规模支持向量机的内部点方法。SIAM J Optimiz，2003，3:783–804·Zbl 1039.90092号
[9] Bennett K P，Hernandez P E.优化和机器学习研究的相互作用。J Mach Learn Res，2006，7:1265–1281·兹比尔1222.68146
[10] Mangasarian O L.数据挖掘中的数学编程。Data Min Knowl光盘，1997，2（1）：183–201·doi:10.1023/A:1009735908398
[11] Bradley P S，Mangasarian O L。机器学习和数据挖掘的数学编程方法。博士学位论文。威斯康星大学麦迪逊分校，1998年
[12] Bradley P S，Fayyad U M，Mangasarian O L。数据挖掘的数学编程：公式和挑战。信息J计算，1999，11:217–238·Zbl 0973.90096号 ·doi:10.1287/ijoc.11.3.217
[13] Mangasarian O L.广义支持向量机。在：大利润分类器的进展。马萨诸塞州剑桥：麻省理工学院出版社，2000年
[14] Charnes A，Cooper W。线性规划的管理模型和工业应用。纽约：威利出版社，1961年·Zbl 0107.37004号
[15] Freed N，Glover F。判别问题的简单但强大的目标规划模型。《欧洲歌剧研究杂志》，1981年，7:44–60·Zbl 0456.90075号 ·doi:10.1016/0377-2217（81）90048-5
[16] Freed N，Glover F.评估替代线性规划模型以解决两组判别问题。《决策科学》，1986，17:151–162·doi:10.1111/j.1540-5915.1986.tb00218.x
[17] Olson D，Shi Y.商业数据挖掘简介。McGraw-Hill/Irwin，2007年
[18] Shi Y.多准则和多约束水平线性规划：概念、技术和应用。新泽西：世界科学出版社，2001年
[19] 何杰，刘旭，石毅，等。基于模糊线性规划的信用卡持卡人行为分类。国际信息技术决策杂志，2004，3:633-650·doi:10.1142/S02196220400129X
[20] Kou G，Liu X，Peng Y，等。数据挖掘的多准则线性规划方法：模型、算法设计和软件开发。Optimiz Method Softw，2003，18:453–473·Zbl 1106.90374号 ·网址：10.1080/1055678031001600953
[21] Shi Y，Peng Y，Kou G，等。为商业智能和决策分类信用卡账户：一种多准则二次规划方法。国际信息技术决策杂志，2005，4:581–600·doi:10.1142/S0219622005001775
[22] Shi Y，Wise W，Lou M，等。信用卡投资组合管理中的多准则决策。In：新千年的多准则决策。安卡拉，图尔基，2001年。427–436 ·Zbl 1027.90523号
[23] 石毅，杨鹏，徐伟，等。基于多准则线性规划的数据挖掘：在信用卡投资组合管理中的应用。国际信息技术决策杂志，2002年，1:131–151·doi:10.1142/S021962202000038
[24] 张杰，庄伟，严恩，等。用多准则线性规划对HIV-1介导的神经元树突状和突触损伤进行分类。神经信息学，2004，2:303–326·doi:10.1385/NI:2:3:303
[25] 石毅，张旭，万杰，等。利用多准则二次规划预测抗体界面残基与抗原表面的距离范围。国际计算数学杂志，2004，84:690–707
[26] 彭毅，寇庚，萨巴特卡A，等。分类方法在个人残疾收入保险欺诈检测中的应用。In:ICCS 2007，计算机科学讲义，中国北京，2007。852–858
[27] Kou G，Peng Y，Chen Z，等。网络入侵检测的多准则二次规划方法。参加：中国科学院数据挖掘与知识管理研讨会。柏林：斯普林格出版社，2004年。7: 12–14
[28] 寇刚，彭毅，闫恩，等。基于多准则线性规划的网络入侵检测。参加：服务系统和服务管理国际会议，中国北京，2004年。7: 19–21
[29] Kwak W，Shi Y，Eldridge S，等。日本企业破产预测：使用多准则线性规划数据挖掘方法。《国际数据杂志》（Int J Data Min Busin Intell），2006，1（4）：401–416·doi:10.10504/IJBIDM.2006.010782文件
[30] Cottle R W，Pang J S，Stone R E。线性互补性问题。纽约：学术出版社，1992年·Zbl 0757.90078号
[31] Murphy P M，Aha D W，UCI机器学习数据库库。网址：www.ics.uci.edu/mlearn/MLRepository.html，1992
[32] 普鲁托夫斯基硕士调查：理论和实践的交叉验证。在线获取地址：http://www.emotive.com/CvSurvey.doc , 1996
[33] 彭毅，寇刚，陈忠，等。信用卡持卡人行为多准则线性规划分类的交叉验证与集成分析。2004年6月6日至9日，波兰克拉科夫，ICCS 2004，计算机科学讲稿。931–939 ·兹比尔1102.91339
[34] Weston J，Watkins C.多类支持向量机。技术报告CSD-TR-98-04，伦敦大学皇家霍洛韦分校。1998
[35] Pontil M，Verri A.三维物体识别的支持向量机。IEEE Trans-Patt Ana Mach Intell，1998年，20:637–646·数字对象标识代码：10.1109/34.683777
[36] Hsu C W，Lin C J。多类支持向量机方法的比较。IEEE Trans Neur Netw，2002，13（2），415–425·doi:10.1109/TNN.2002.1000139
[37] 彭毅，寇刚，石毅，等。多类信用卡持卡人行为分类方法。收录于：ICCS 2006，第四部分，LNCS 3994，5月28日至31日，Reading UK，2006。485–492
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。