基于半監(jiān)督SVM的非平衡學習.pdf

1、隨著網絡系統、信息安全等領域的快速發(fā)展，大規(guī)模數據呈現爆炸性的快速增長。雖然現有的機器學習方法已經得到了廣泛的應用，但是不平衡數據的分析研究仍然是目前面臨的挑戰(zhàn)之一。非平衡學習旨在提高算法對不平衡數據分類時的性能。由于不平衡數據集復雜的分布特征，因此我們需要引入新的原理、算法和工具解決非平衡學習問題。在標記樣本不足的情況下，半監(jiān)督學習（Semi-supervised Learning）通過引入未標記樣本提高算法的性能，因此是目前研究的熱

2、點之一。本文主要針對不平衡數據進行分析研究，并結合半監(jiān)督SVM算法提出新的策略。
　　1.本章主要針對 SVM算法在處理非平衡率較高的數據集時，性能嚴重下滑的問題進行分析。通過結合Granular SVM的框架和欠采樣的策略，提出了基于重復欠采樣的Granular SVM非平衡學習算法。選取非平衡學習評價準則G-means對訓練出的模型進行評價，采用最優(yōu)的模型對測試數據進行分類。該方法在不同非平衡率的數據集上取得了不錯的效果。

3、r>　　2.在標記樣本很少的情況下，半監(jiān)督 SVM算法對不平衡數據集的分類效果依然很差。通過把“信息?！钡牟呗砸氚氡O(jiān)督SVM中，構造多個差異性大的分類器。同時結合集成學習的思想，引入聚類的評價指標對未標記樣本的置信度進行判定，提出基于Granular S3VM的集成學習算法。該算法有效解決了半監(jiān)督SVM不適用于處理不平衡數據的問題。
　　3.通過對非平衡學習的基本采樣方法進行對比，提出基于不同采樣方法的Granular S3VM