面向贯序不均衡分类的粒度极限学习机

发布时间：2017-08-26 06:30

  本文关键词：面向贯序不均衡分类的粒度极限学习机

  更多相关文章： 极限学习机 粒度划分 贯序不均衡数据 欠取样

【摘要】：针对现有算法对贯序到达的密度型不均衡数据分类效果不佳的缺陷,提出一种基于粒度划分的在线贯序极限学习机算法.离线阶段,根据数据分布特性对多类样本进行粒度划分,用粒心代替原有样本,建立初始模型;在线阶段,根据更新后的分布特性对多类边界数据进行二次粒度划分,替换原有边界数据,并动态更新网络权值.理论分析证明该算法存在信息损失上界.实验结果表明,该算法能有效提高贯序不均衡数据上的整体泛化性能和分类效率.
【作者单位】： 河南师范大学计算机与信息工程学院;河南师范大学河南省高校计算智能与数据挖掘工程技术研究中心;
【关键词】： 极限学习机 粒度划分 贯序不均衡数据 欠取样
【基金】：国家自然科学基金项目(U1204609) 中国博士后科学基金项目(2014M550508) 河南省高校科技创新人才计划项目(15HASTIT022) 河南师范大学优秀青年基金项目(14YQ007) 河南省高校青年骨干教师计划项目(2014GGJS-046)
【分类号】：TP181
【正文快照】： 0引言实际工程应用中,在线贯序分类数据经常会出现类别严重不均衡的现象.利用传统的分类算法解决此类问题时,往往具有偏向性.例如1 000个样本中有990个多类样本,而少类样本仅有10个,此时即使总体判别正确率达到99%,也极有可能出现多类样本全部判断正确,而少类样本几乎全部误判，

本文编号：740229