一种新的基于局部密度改进SVM分类算法 |
| |
引用本文: | 刘悦婷,金兆强,刘凯,孙志权.一种新的基于局部密度改进SVM分类算法[J].青海大学学报,2018(2). |
| |
作者姓名: | 刘悦婷 金兆强 刘凯 孙志权 |
| |
作者单位: | 兰州文理学院传媒工程学院 |
| |
摘 要: | 针对不平衡数据集数据分布不均匀及边界模糊的特点,提出基于局部密度改进的SVM(NLDSVM)不平衡数据集分类算法。该算法先用层次k近邻法计算多数类中每个样本的局部密度,依据每个样本的局部密度值分别选出边界区域、靠近边界区域的与少数类数目相等的样本与少数类完成SVM初始分类;用所得的支持向量机和剩余的多数类样本对初始分类器迭代优化。人工数据集和UCI数据集的实验结果表明,与WSVM,ALSMOTE-SVM和基本SVM算法相比,NLDSVM算法G-mean的平均值提高了7%,F-measure的平均值提高了6%,AUC的平均值提高了6%。NLDSVM算法分类效果良好,能有效改进SVM算法在分布不均匀及边界模糊数据集上的分类性能。
|
本文献已被 CNKI 等数据库收录! |
|