基于粒度偏移因子的支持向量机学习方法

• 作者: 王文剑 郭虎升
• 来源期刊: 计算机研究与发展
• 学科: 工学
• 关键词: 支持向量机 粒度支持向量机 不平衡分布 粒 偏移因子 S-GSVM模型
• 年，卷（期）: 2013,（11）
• 所属期刊栏目: 机器学习与数据挖掘
• 页码范围: 2315-2324
• 页数: 10页
• 分类号: TP18
• 字数: 6887字
• 语种: 中文

摘要

在实际应用中,数据集样本规模、分布密度的不平衡性可能会使传统支持向量机(support vector machine,SVM)得到的分类超平面不是最优,在对传统支持向量机最优分类面分析的基础上,结合粒度计算(granular computing,GrC)理论,针对数据规模和分布密度不平衡的数据集,提出一种基于粒度偏移因子的粒度支持向量机(granular SVM,GSVM)学习方法,称为S _GSVM方法,该方法将原始样本用Mercer核映射到高维空间,然后在高维空间中对数据进行有效的粒划分,通过对不同的粒计算不同的超平面偏移因子,重新构造支持向量机的凸二次优化问题,以得到一个泛化能力更好的分类超平面.S-GSVM方法充分考虑了数据复杂分布对于泛化能力的影响,对基于最大间隔的分类面进行改进,实验结果表明,S-GSVM方法在非平衡数据集上能得到较好的泛化性能.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	郭虎升	山西大学计算机与信息技术学院	24	174	8.0	12.0