基于SVDD的分类方法研究

发布时间：2023-12-02 16:09

　　在机器学习领域中,分类是一项非常重要的任务。然而在现实生活的分类任务中,不同类别的数据可能存在重叠部分,分类时会出现不可分区域,这类样本很难被正确分类。机器学习主要是计算机通过对已知数据进行训练,得到模型,并运用它对未知数据进行预测。机器学习面临的未来的数据和将来的行为引发的结果是不确定的。概率机器学习针对这种不确定性提供了一个概率框架,对模型和预测的不确定性进行表示和控制。因此对不确定性任务进行研究是一项非常有意义的课题。另外,在现实生活中,一些样本很容易被采样,而另一些样本由于其领域的特殊性,致使其采样工作比较困难。这就导致目标数据集中一些类的样本很多,而另一些类很少的情况,即样本的分布是不平衡的。然而传统的机器学习分类算法在解决这类问题时,会倾向多数类样本,使得分类时存在一些问题。例如在机器故障诊断、医疗诊断等问题中,我们需要关注的就是这类数量很少却非常重要的样本。如果将其错误分类可能会造成非常严重的后果。因此如何提高非平衡数据中的少数类的分类性能是很重要的。为了解决上述问题,本文开展基于SVDD的分类方法研究。主要内容包括以下两个方面:(1)针对分类任务中存在的不确定性,而目前...

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
中文摘要
ABSTRACT
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 支持向量数据描述方法的研究现状
        1.2.2 非平衡数据分类问题的研究现状
    1.3 研究内容和组织结构
第二章 相关工作
    2.1 支持向量机
    2.2 集成学习
    2.3 本章小结
第三章 基于概率的支持向量数据描述方法
    3.1 引言
    3.2 支持向量数据描述
    3.3 基于概率的支持向量数据描述方法
        3.3.1 概率函数
        3.3.2 基于概率的支持向量数据描述方法
    3.4 实验分析
        3.4.1 实验数据集
        3.4.2 评价标准
        3.4.3 实验设置
        3.4.4 实验结果
    3.5 本章小结
第四章 基于优化的支持向量数据描述方法
    4.1 引言
    4.2 非平衡数据分类问题
    4.3 基于优化的支持向量数据描述方法
        4.3.1 优化算法
        4.3.2 基于优化的支持向量数据描述方法
    4.4 实验分析
        4.4.1 实验数据集
        4.4.2 评价标准
        4.4.3 实验设置
        4.4.4 实验结果
    4.5 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
攻读学位期间取得的研究成果
致谢
个人简况及联系方式



本文编号：3870012