不平衡超限学习机的全局惩罚参数选择方法

发布时间：2018-01-21 07:45

本文关键词： 数据挖掘不平衡数据集单隐层前馈神经网络超限学习机加权超限学习机全局惩罚参数分类器　出处：《哈尔滨工程大学学报》2017年09期 　论文类型：期刊论文

【摘要】：超限学习机在对不平衡数据集进行学习和分类时,正类样本容易被错分。而加权超限学习机只考虑了数据集类之间的不平衡,忽视了样本类内的不平衡的现象。本文阐述了超限学习机在不平衡数据集上分类效果欠佳的原因,提出了根据数据集选取惩罚参数的方法,采用将类间的惩罚参数与类内的惩罚参数相结合的方法,形成全局惩罚参数,即将类惩罚参数进一步精确到样本个体惩罚参数。结果表明:这种方法实现起来简单方便,与其他类型的超限学习机相比较,这种全局惩罚参数的选择方法在提高分类准确率方面能够取得更好的效果。
[Abstract]:When learning and classifying the unbalanced data sets, the positive class samples are easily misclassified, while the weighted out-of-limit learning machines only consider the imbalance between the classes of the data sets. In this paper, the reason why the classification effect of the out-of-range learning machine on the unbalanced data set is not good is discussed, and the method of selecting penalty parameters according to the data set is put forward. The global penalty parameters are formed by combining the punishment parameters between classes and the penalty parameters within classes. The result shows that this method is simple and convenient to implement, and compared with other kinds of over-limit learning machine. The selection of global penalty parameters can improve the classification accuracy.
【作者单位】：浙江大学城市学院计算机系;丽水学院工学院;太平洋大学工程与计算机科学学院;
【基金】：国家自然科学基金项目(61373057) 浙江省自然科学基金项目(LY18F030003) 浙江省教育厅科研项目(Y201432787,Y201432200)
【分类号】：TP18
【正文快照】： 学学院,加利福尼亚斯托克顿95211)不平衡现象广泛存在于现实世界中,例如,癌症诊断、恶意骚扰电话识别、信用卡欺诈等问题都是不平衡数据集[1-3]。大多数分类模型和学习算法都假设样本分布均衡,可实际数据集往往是不平衡的。不平衡数据集的主要特征是类间样本数不相等。在二分

【相似文献】