基于最小二乘支持向量机的非平衡分布数据分类

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (5): 166-169.

基于最小二乘支持向量机的非平衡分布数据分类

姚全珠¹,田元¹,王季²,杨增辉¹,张楠¹

1.西安理工大学计算机科学与工程学院，西安 710048
2.西北工业大学计算机学院，西安 710072

收稿日期:2007-06-08 修回日期:2007-09-28 出版日期:2008-02-11 发布日期:2008-02-11
通讯作者: 姚全珠

Research on classification of imbalanced data based on Sparse Least Squares Support Vector Machines

YAO Quan-zhu¹,TIAN Yuan¹,WANG Ji²,YANG Zeng-hui¹,ZHANG Nan¹

1.School of Computer Science and Engineering，Xi’an University of Technology，Xi’an 710048，China
2.College of Computer Science，Northwestern Ploytechnical University，Xi’an 710072，China

Received:2007-06-08 Revised:2007-09-28 Online:2008-02-11 Published:2008-02-11
Contact: YAO Quan-zhu

摘要/Abstract

摘要： 支持向量机是在统计学习理论基础上发展起来的一种十分有效的分类方法。然而当两类样本数量相差悬殊时，会引起支持向量机分类能力的下降。为了提高支持向量机的非平衡数据分类能力，文章分析了最小二乘支持向量机的本质特征，提出了一种非平衡数据分类算法。在UCI标准数据集上进行的实验表明，该算法能够有效提高支持向量机对非均衡分布数据的正确性，尤其对于大规模训练集的情况，该算法在保证不损失训练精度的前提下，使训练速度有较大提高。

关键词: 支持向量机, 不均衡数据分类, 机器学习

Abstract: Support Vector Machine is a quite efficient classification technique developed on statistical learning theory.However，when the two-class problem samples are very unbalanced，SVM has a poor performance.To significantly improve the classification performance of imbalanced datasets，the nature characteristics of Sparse Least Squares SVM is analyzed and a kind of algorithm for the unbalanced samples is proposed in this paper.The experiments on the UCI database are done with this algorithm.Experimental results indicate that this method significantly improves the classification accuracy of SVM for the unbalanced samples.The speed of classification is much faster than that of conventional SVM in the condition that the correct rate does not decline，especially in the case of large number of support vectors.

Key words: Support Vector Machine, unbalanced data classification, machine learning

姚全珠¹,田元¹,王季²,杨增辉¹,张楠¹

. 基于最小二乘支持向量机的非平衡分布数据分类[J]. 计算机工程与应用, 2008, 44(5): 166-169.

YAO Quan-zhu¹,TIAN Yuan¹,WANG Ji²,YANG Zeng-hui¹,ZHANG Nan¹. Research on classification of imbalanced data based on Sparse Least Squares Support Vector Machines[J]. Computer Engineering and Applications, 2008, 44(5): 166-169.

[1]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[2]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[3]	韦佶宏，郑荣锋，刘嘉勇. 基于混合神经网络的恶意TLS流量识别研究[J]. 计算机工程与应用, 2021, 57(7): 107-114.
[4]	张晓丽，张魁星，江梅，魏本征，丛金玉. 淋巴瘤图像分类技术研究综述[J]. 计算机工程与应用, 2021, 57(6): 1-9.
[5]	韩东方，吐尔地·托合提，艾斯卡尔·艾木都拉. 问答系统中问句分类方法研究综述[J]. 计算机工程与应用, 2021, 57(6): 10-21.
[6]	万梦翔，姚寒冰. 面向恶意网页训练数据生成的GAN模型[J]. 计算机工程与应用, 2021, 57(6): 124-130.
[7]	杨晔民，张慧军，张小龙. 随机森林的可解释性可视分析方法研究[J]. 计算机工程与应用, 2021, 57(6): 168-175.
[8]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[9]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[10]	徐可文，许波，吴英，徐浩然. 机器学习在超声图像中的应用综述[J]. 计算机工程与应用, 2021, 57(4): 11-17.
[11]	王振东，张林，李大海. 基于机器学习的物联网入侵检测系统综述[J]. 计算机工程与应用, 2021, 57(4): 18-27.
[12]	温杰彬，杨文忠，马国祥，张志豪，李海磊. 基于Apex帧光流和卷积自编码器的微表情识别[J]. 计算机工程与应用, 2021, 57(4): 127-133.
[13]	李俊侠，张秦，郑桂妹. 超宽带雷达人体姿态识别综述[J]. 计算机工程与应用, 2021, 57(3): 14-23.
[14]	徐先峰，蔡路路，张丽. 融合MLP和DBN的光伏发电预测算法[J]. 计算机工程与应用, 2021, 57(3): 266-272.
[15]	吕品，武秦娟，许嘉. 上市公司文本信息披露智能分析研究综述[J]. 计算机工程与应用, 2021, 57(24): 1-13.