代价敏感惩罚AdaBoost算法的非平衡数据分类

TP391; 针对非平衡数据分类问题,提出了一种基于代价敏感的惩罚AdaBoost算法.在惩罚Adaboost算法中,引入一种新的自适应代价敏感函数,赋予少数类样本及分错的少数类样本更高的代价值,并通过引入惩罚机制增大了样本的平均间隔.选择加权支持向量机(Support vector machine,SVM)优化模型作为基分类器,采用带有方差减小的随机梯度下降方法(Stochastic variance reduced gradient,SVRG)对优化模型进行求解.对比实验表明,本文提出的算法不但在几何均值(G-mean)和ROC曲线下的面积(Area under ROC curve,AUC...

Full description

Saved in:
Bibliographic Details
Published in南京航空航天大学学报 Vol. 55; no. 2; pp. 339 - 346
Main Authors 鲁淑霞, 张振莲, 翟俊海
Format Journal Article
LanguageChinese
Published 河北大学数学与信息科学学院,河北省机器学习与计算智能重点实验室,保定 071002 01.04.2023
Subjects
自适应代价敏感函数
惩罚AdaBoost
平均间隔
非平衡数据
随机梯度下降
Online AccessGet full text
ISSN1005-2615
DOI10.16356/j.1005-2615.2023.02.020

Cover

More Information
Summary:TP391; 针对非平衡数据分类问题,提出了一种基于代价敏感的惩罚AdaBoost算法.在惩罚Adaboost算法中,引入一种新的自适应代价敏感函数,赋予少数类样本及分错的少数类样本更高的代价值,并通过引入惩罚机制增大了样本的平均间隔.选择加权支持向量机(Support vector machine,SVM)优化模型作为基分类器,采用带有方差减小的随机梯度下降方法(Stochastic variance reduced gradient,SVRG)对优化模型进行求解.对比实验表明,本文提出的算法不但在几何均值(G-mean)和ROC曲线下的面积(Area under ROC curve,AUC)上明显优于其他算法,而且获得了较大的平均间隔,显示了本文算法在处理非平衡数据分类问题上的有效性.
ISSN:1005-2615
DOI:10.16356/j.1005-2615.2023.02.020