邵元海;陈伟杰;张晶晶;王震;邓乃阳 一种用于非平衡数据分类的高效加权拉格朗日双支持向量机。 (英语) Zbl 1342.68271号 模式识别 47,第9号,3158-3167(2014). 摘要:在本文中,我们提出了一种高效的加权拉格朗日双支持向量机(WLTSVM),用于基于不同训练点构造两个近端超平面的非平衡数据分类。我们的WLTSVM的主要贡献是:(1)引入了基于图的欠采样策略来保持邻近信息,这对异常值具有鲁棒性;(2)在拉格朗日TWSVM公式中嵌入了权重偏差,克服了原始TWSVM中用于非平衡数据分类的偏差现象;(3)证明了拉格朗日函数训练过程的收敛性,(4)在合成数据集和实际数据集上与其他TWSVM进行了测试和比较,以证明其对非平衡数据分类的可行性和有效性。 引用于13文件 MSC公司: 68T05型 人工智能中的学习和自适应系统 62小时30分 分类和区分;聚类分析(统计方面) 关键词:不平衡数据分类;双支持向量机;加权双支持向量机;拉格朗日函数;二次成本函数 软件:SVM灯;伦敦银行支持向量机;Matlab公司 PDF格式BibTeX公司 XML格式引用 \textit{Y.-H.Shao}等人,模式识别47,No.9,3158--3167(2014;Zbl 1342.68271) 全文: 内政部 参考文献: [1] 科尔特斯,C。;Vapnik,V.N.,支持向量网络,马赫。学习。,20, 273-297 (1995) ·Zbl 0831.68098号 [2] Burges,C.,模式识别支持向量机教程,数据挖掘知识。Discovery,2,1-43(1998) [3] 邓,N。;田,Y。;Zhang,C.,《支持向量机:基于优化的理论、算法和扩展》(2012),CRC出版社:CRC出版社Chapman&Hall [4] 李玉霞。;Shao,Y.-H。;Deng,N.Y.,使用PWMS和SVM改进棕榈酰化位点预测,Prot。佩普特。莱特。,18, 2, 186-193 (2011) [5] Isa,D。;Lee,L。;卡拉马尼,V。;RajKumar,R.,使用贝叶斯公式对文本文档进行预处理,以便使用支持向量机进行分类,IEEE Trans。知识。数据工程,20,91264-1272(2008) [6] 田,Y。;Shi,Y。;Liu,X.,支持向量机研究的最新进展,经济的技术和经济发展,18,1,5-33(2012) [9] 苏肯斯,J.A.K。;Vandewalle,J.,最小二乘支持向量机分类器,神经过程快报。,9, 3, 293-300 (1999) [12] Chang,C.-C。;Lin,C.-J.,支持向量机的Libsvma库,ACM Trans。智力。系统。Technol公司。(TIST),第2、3、27页(2011年) [13] 风机,R.E。;Chang,K.W。;谢长杰。;Wang,X.R。;Lin,C.J.,LIBLINEARa大型线性分类库,J.Mach。学习。1871-1874年第9号决议(2008年)·Zbl 1225.68175号 [14] Mangasarian,O.L。;Wild,E.W.,《通过广义特征值进行多表面近端支持向量分类》,IEEE Trans。模式分析。机器。智力。,28, 1, 69-74 (2006) [15] 贾亚德瓦,J。;Khemchandani,R。;Chandra,S.,模式分类的双支持向量机,IEEE Trans。模式分析。机器。智力。,29, 5, 905-910 (2007) [16] Shao,Y.H。;Zhang,C.H。;Wang,X.B。;邓,纽约,双支持向量机的改进,IEEE Trans。神经网络,22,6,962-968(2011) [17] 齐,Z。;田,Y。;Shi,Y.,用于半监督分类的拉普拉斯双支持向量机,神经网络,35,46-53(2012)·Zbl 1258.68121号 [18] 田,Y。;齐,Z。;Ju,X。;Shi,Y。;Liu,X.,模式分类的非并行支持向量机,IEEE Trans。赛博。,99 (2013), 1-1 [19] Shao,Y.-H。;纽约州邓。;陈伟杰,具有一致性的近距离分类器,基于知识的系统。,49, 171-178 (2013) [20] 齐,Z。;田,Y。;石毅,用于模式分类的稳健双支持向量机,模式识别。,46, 1, 305-316 (2013) ·Zbl 1248.68441号 [21] Shao,Y.-H。;陈伟杰。;邓N.Y.,二元分类问题的非并行超平面支持向量机,信息科学。,263, 22-35 (2014) ·Zbl 1328.68173号 [22] 贾普科维奇,N。;Stephen,S.,《阶级失衡问题的系统研究》,《情报学》。数据分析。,6, 5, 429-449 (2002) ·Zbl 1085.68628号 [23] Tang,Y。;张义清。;查拉,N.V。;Krasser,S.,用于高度不平衡分类的SVMS建模,IEEE Trans。系统。人类网络。B: 赛博。,第39页,第1281-288页(2009年) [24] Wang,B.X。;Japkowicz,N.,《为不平衡数据集提升支持向量机》,Knowl。信息系统。,25, 1, 1-20 (2010) [25] 周,Z.-H。;Liu,X.-Y.,用解决阶级不平衡问题的方法训练成本敏感型神经网络,IEEE Trans。知识。数据工程,18,1,63-77(2006) [26] 苏肯斯,J.A。;De Brabanter,J。;卢卡斯,L。;Vandwalle,J.,加权最小二乘支持向量机鲁棒性和稀疏近似,神经计算,48,1,85-105(2002)·Zbl 1006.68799号 [27] Fung,G.M。;Mangasarian,O.L.,多类别近端支持向量机分类器,马赫。学习。,59, 1-2, 77-97 (2005) ·Zbl 1101.68758号 [29] Hwang,J.P。;南帕克。;Kim,E.,通过具有二次代价函数的支持向量机解决不平衡数据分类问题的新加权方法,Exp.Syst。申请。,38, 7, 8580-8585 (2011) [31] 陶,D。;唐,X。;李,X。;Wu,X.,图像检索中基于支持向量机的相关反馈的非对称打包和随机子空间,IEEE Trans。模式分析。机器。智力。,28, 7, 1088-1099 (2006) [32] 王,M。;杨,J。;刘国平。;徐,Z.-J。;Chou,K.-C.,基于伪氨基酸组成预测膜蛋白类型的加权支持向量机,蛋白质工程设计。选择,17,6,509-516(2004) [33] 贝尔金,M。;Niyogi,P。;Sindhwani,V.,《流形正则化——从标记和未标记示例学习的几何框架》,J.Mach。学习。第7号决议,2399-2434(2006)·Zbl 1222.68144号 [34] 杨,X。;陈,S。;陈,B。;Pan,Z.,使用局部信息的近似支持向量机,神经计算,73,1,357-365(2009) [35] Mangasarian,O.L。;Musicant,D.R.,拉格朗日支持向量机,J.Mach。学习。第161-177号决议(2001年)·Zbl 0997.68108号 [36] Scholköpf,B。;Smola,A.,《使用内核学习》(2002年),麻省理工学院出版社:麻省理学院出版社剑桥 [37] 博伊德,S。;北卡罗来纳州帕里赫。;朱,E。;佩莱托,B。;Eckstein,J.,《通过交替方向乘数法进行分布式优化和统计学习》,Found\(\operatorname{Trends}^\circledR\)马赫。学习。,3, 1, 1-122 (2011) ·Zbl 1229.90122号 [39] Tang,Y。;张义清。;查拉,N.V。;Krasser,S.,用于高度不平衡分类的SVMS建模,IEEE Trans。系统。人类网络。B: 赛博。,39, 1, 281-288 (2009) [40] 刘晓云。;吴杰。;Zhou,Z.-H.,《班级平衡学习的探索性欠采样》,IEEE Trans。系统。人类网络。B: 赛博。,39, 2, 539-550 (2009) [41] 费尔南德斯,A。;南卡罗来纳州加西亚。;德尔耶稣,M.J。;Herrera,F.,《不平衡数据集框架下基于语言模糊规则的分类系统行为研究》,模糊集系统。,159, 18, 2378-2398 (2008) [42] 查拉,N.V。;鲍耶,K.W。;洛杉矶霍尔。;Kegelmeyer,W.P.,Smotesynthetic少数派过采样技术,J.Artif。智力。第16号、第1号、第321-357号决议(2002年)·Zbl 0994.68128号 [44] Shao,Y.-H。;Wang,Z。;陈伟杰。;Deng,N.Y.,投影双支持向量机的正则化,Knowl-基于系统。,37, 203-210 (2013) [45] 杜达,R。;哈特,P。;斯托克,D.,《模式分类》(2001),约翰·威利和儿子:约翰·威利与儿子霍博肯,新泽西州·兹伯利0968.68140 [46] 贾普科维奇,N。;Shah,M.,《评估学习算法:分类视角》(2011),剑桥大学出版社:剑桥大学出版社,纽约·Zbl 1230.68020号 [47] 查拉,N.V。;鲍耶,K.W。;洛杉矶霍尔。;Kegelmeyer,W.P.,Smotesynthetic少数派过采样技术,J.Artif。智力。第16号、第1号、第321-357号决议(2002年)·Zbl 0994.68128号 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。