最大化AUC的正例未标注分类及其增量算法

• 作者: 王士同 马毓敏
• 来源期刊: 计算机科学与探索
• 学科: 工学
• 关键词: 机器学习 PU分类 AUC 增量算法
• 年，卷（期）: 2020,（11）
• 所属期刊栏目: 人工智能
• 页码范围: 1879-1887
• 页数: 9页
• 分类号: TP181
• 语种: 中文
• DOI: 10.3778/j.issn.1673-9418.1912073

摘要

正例未标注分类简称PU分类,由于只有正例样本与未标注样本,传统的分类方法在PU分类中往往效果不甚理想.为此利用PU分类下的AUC与传统分类下的AUC关系,提出了将传统分类方法中AUC作为目标函数应用到PU分类中,利用高斯核函数将原始样本映射到高维空间使数据线性可分.通过优化AUC目标函数得到解析解避免了多次迭代的麻烦,并可以推导出增量公式,加快了运算速度.实验结果表明,所提算法实现了与训练集内所有正例与负例标签都已知的理想支持向量机(SVM)相近的性能,并且实现了快速增量,是处理现实问题的有力工具.