基于SVM的多类代价敏感学习及其应用

• 作者: 凌霄汉 吉根林 程学云
• 来源期刊: 南京师范大学学报（工程技术版）
• 学科: 工学
• 关键词: 代价敏感学习 支持向量机 入侵检测 漏报率 误报率
• 年，卷（期）: 2006,（4）
• 页码范围: 79-82
• 页数: 4页
• 分类号: TP391
• 字数: 3431字
• 语种: 中文
• DOI: 10.3969/j.issn.1672-1292.2006.04.019

摘要

标准的分类器设计一般基于最小化错误率.在入侵检测等问题中,不同类型的错分往往具有不等的代价.通过在支持向量机的类概率输出中引入代价敏感机制,提出了3种基于最小化总体错分代价设计分类器的方法.实验结果表明通过改变代价矩阵,能在漏报率、误报率及稀有类样本的错误率之间调节,从而保证在误报率尽可能小的情况下降低漏报率和稀有类样本的错误率,以减少总体错分代价.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	程学云	南京师范大学数学与计算机科学学院	49	115	5.0	7.0
3	吉根林	南京师范大学数学与计算机科学学院	138	2757	22.0	50.0
4	凌霄汉	南京师范大学数学与计算机科学学院	5	39	5.0	5.0