基于SVM的高维不平衡数据集分类算法

• 作者: 张露 赵小强
• 来源期刊: 南京大学学报（自然科学版）
• 学科: 工学
• 关键词: 高维不平衡数据集 分类算法 支持向量机(SVM) 核SMOTE 稀疏表示
• 年，卷（期）: 2018,（2）
• 页码范围: 452-461
• 页数: 10页
• 分类号: TP274
• 字数: 7318字
• 语种: 中文
• DOI: 10.13232/j.cnki.jnju.2018.02.017

摘要

由于数据量的不断增长,出现了大量的不平衡高维数据,传统的数据挖掘分类算法在处理这些数据时,易受到样本分布和维数的影响,存在分类性能不佳的问题.提出一种针对不平衡高维数据集的改进支持向量机(Supported Vector Machine,SVM)分类算法,首先通过核函数将数据集映射到特征空间中,再引入改进的核SMOTE(Kernel Synthetic Minority Over-sampling Technique)算法而得到正类样本,使两类样本数目平衡化;然后将维数高的数据集通过稀疏表示的方法投影到低维的空间中,实现降维;最后根据空间的距离关系来确定在输入空间中合成样本的原像,再对得到的平衡样本集通过 SVM来分类,通过仿真实验验证了该算法对于高维不平衡数据集有较优的分类性能.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	赵小强	兰州理工大学电气工程与信息工程学院	66	312	10.0	13.0
10	张露	兰州理工大学电气工程与信息工程学院	3	20	3.0	3.0