针对不平衡数据的PSO-DEC-IFSVM分类算法

• 作者: 康佩栋 魏建安 黄海松
• 来源期刊: 数据采集与处理
• 学科: 工学
• 关键词: 不平衡数据分类 改进模糊支持向量机 样本信息量 粒子群算法 参数寻优
• 年，卷（期）: 2019,（4）
• 页码范围: 723-735
• 页数: 13页
• 分类号: TP181
• 字数: 8278字
• 语种: 中文
• DOI: 10.16337/j.1004-9037.2019.04.018

摘要

针对不平衡数据集下,传统的模糊支持向量机(Fussy support vector machine,FSVM)算法分类效果不够明显,引入的参数未做优化等缺点,本文提出一种基于粒子群算法(Particle swarm optimization,PSO)优化的改进模糊支持向量机算法,即PSO-DEC-IFSVM算法.该算法首先综合考虑训练样本到其类中心的间距、样本周围的紧密度以及样本的信息量设计模糊隶属度函数,然后将此改进的模糊支持向量机与不同惩罚因子(Different error costs,DEC)算法相结合得到DEC-IFSVM算法,最后利用粒子群算法对DEC-IFSVM算法引入的参数进行优化.实验证明:对于UCI公共数据集中的Pima等6种不平衡数据集,相比已有的FSVM及其改进算法,PSO-DEC-IFSVM算法具有更好的正负类分类效果以及更强的鲁棒性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	黄海松	贵州大学现代制造技术教育部重点实验室	77	315	10.0	14.0
2	魏建安	贵州大学现代制造技术教育部重点实验室	6	19	2.0	4.0
3	康佩栋	贵州大学现代制造技术教育部重点实验室	4	15	1.0	3.0