×
王树春;姜伟;徐国良

基于新的损失函数调整了支持向量机。 （英语） Zbl 1185.90163号

安·Oper。物件。 174, 83-101 (2010).
摘要：支持向量机（SVM）由于在各个领域的成功应用，近年来受到了广泛关注。然而，在二值分类问题中，通过最大化两类之间的分离度，SVM解决方案通常会遇到两个严重的缺点。首先，SVM分离超平面通常对训练样本非常敏感，因为它强烈依赖于支持向量，而支持向量只是位于相应边缘边界错误一侧的几个点。第二，分离超平面与优化分离超平面位置时同等重要的两个类等距，而不管每个类中训练数据的数量及其分散程度。在本文中，我们提出了一种新的支持向量机解决方案，即调整支持向量机（ASVM），该方法基于一个新的损失函数来调整SVM解决方案，同时考虑到两类样本的大小和分散性。数值实验表明，ASVM优于传统SVM，尤其是当两类样本大小和离散度差异较大时。

引用于5文件

MSC公司：

90C20个 二次规划
90立方 非线性规划

关键词：

分类错误;交叉验证;分散，分散;取样偏差

软件：

SSVM（SSVM）;ElemStatLearn（电子状态学习）
PDF格式BibTeX公司 XML格式引用
\textit{S.Wang}等人，Ann.Oper。第174号、第83-101号决议（2010年；Zbl 1185.90163）
全文： 内政部

参考文献：

[1] Batista，G.、Prati，R.C.和Monard，M.C.（2004）。平衡机器学习训练数据的几种方法的行为研究。SIGKDD探索，6（1），20-29·数字对象标识代码：10.1145/1007730.1007735
[2] Boser，B.E.、Guyon，I.M.和Vapnik，V.N.（1992年）。一种最优边缘分类器的训练算法。在第五届ACM COLT年会上。宾夕法尼亚州匹兹堡。
[3] Burges，C.J.C.（1998年）。模式识别支持向量机教程。知识发现和数据挖掘，2（2），121-167·doi:10.1023/A:1009715923555
[4] Chawla，N.V.、Japkowicz，N.和Kolcz，A.（2004）。社论：关于从不平衡数据集学习的特刊。SIGKDD探索，6（1），1-6·数字对象标识代码：10.1145/1007730.1007733
[5] Cortes，C.和Vapnik，V.（1995年）。支持向量网络。机器学习，20，273–297·Zbl 0831.68098号
[6] Eitrich，T.和Lang，B.（2006年）。非平衡数据集支持向量机学习参数的有效优化。计算与应用数学杂志，196425-436·Zbl 1097.68113号 ·doi:10.1016/j.cam.2005.09.009
[7] Elkan，C.（2001年）。成本敏感学习的基础。第十七届机器学习国际会议论文集（第239-246页）。
[8] Guyon，I.、Boser，B.和Vapnik，V.（1993）。超大VC-维度分类器的自动容量调整。神经信息处理系统的进展，5147-155。
[9] Guyon，I.、Weston，J.、Barnhill，S.和Vapnik，V.（2002）。使用支持向量机进行癌症分类的基因选择。机器学习，46389–422·Zbl 0998.68111号 ·doi:10.1023/A:1012487302797
[10] Hall，P.、Marron，J.和Neeman，A.（2005年）。高维、低样本数据的几何表示。英国皇家统计学会期刊B辑，67427-444·Zbl 1069.62097号 ·doi:10.1111/j.1467-9868.2005.00510.x
[11] Hastie，T.、Tibshirani，R.和Friedman，J.（2001）。统计学习的要素：数据挖掘、推理和预测。柏林：斯普林格·Zbl 0973.62007号
[12] Lee，Y.和Mangasarian，O.L.（2001）。SSVM：用于分类的平滑支持向量机。计算优化与应用，20（1），5–22·Zbl 1017.90105号 ·doi:10.1023/A:101125321374
[13] Lin，Y.（2002a）。分类中的支持向量机和贝叶斯规则。数据挖掘和知识发现，6（3），259–275·doi:10.1023/A:1015469627679
[14] Lin，Y.（2002b）。分类中基于保证金的损失函数注释（技术报告）。威斯康星大学统计系。
[15] Lin，Y.，Lee，Y.和Wahba，G.（2002）。支持向量机用于非标准情况下的分类。机器学习，46，191–202·兹比尔0998.68103 ·doi:10.1023/A:1012406528296
[16] Luenberger，D.G.（1984）。线性和非线性规划（第二版）。阅读：Addison-Wesley·Zbl 0571.90051号
[17] Osuna，E.、Freund，R.和Girosi，F.（1997）。支持向量机：培训和应用（AI Memo 1602）。麻省理工学院。
[18] Shen，X.、Tseng，G.C.、Zhang，X.和Wong，W.H.（2003）。关于{\（\psi\）}-学习。《美国统计协会杂志》，98，724–734·兹比尔1052.62095 ·doi:10.1198/0162145000000639
[19] Statnikov，A.、Aliferis，C.、Tsamardinos，I.、Hardin，D.和Levy，S.（2005）。微阵列基因表达癌症诊断的多类别分类方法的综合评价。生物信息学，21（5），631-643·doi:10.1093/bioinformatics/bti033
[20] Vapnik，V.（1998）。统计学习理论。纽约：威利·Zbl 0935.62007号
[21] Weiss，G.M.（2004）。稀有采矿：一个统一的框架。SIGKDD Explorations，6（1），7–19·数字对象标识代码：10.1145/1007730.1007734
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。