MOSMAUC: 基于多目标优化的AUC提升SVM多类分类

6 下载量 59 浏览量 更新于2024-08-28 1 收藏 187KB PDF 举报
在现代信息技术领域,支持向量机(SVM)作为一种强大的机器学习工具,因其良好的泛化能力和全局最优特性,受到了广泛关注。原始的SVM方法主要依赖于正确率作为评估指标,然而,这在多类分类任务中并不全面。ROC曲线下的面积(AUC)作为一种更为综合的性能度量,被广泛应用于评估分类算法的性能,因为它不仅与正确率一致,还能提供更丰富的信息。 针对SVM多类分类问题,GOSMAUC算法[6]作为一种改进的方法,引入了AUC的平均值作为优化目标,利用遗传算法优化多类SVM参数。然而,GOSMAUC算法存在局限性,即单纯追求AUC平均值可能导致单个类别AUC表现较差,这对多类分类的总体效果是不利的。 为解决这个问题,本文提出了MOSMAUC算法,它基于多目标优化策略。MOSMAUC算法不仅保留了GOSMAUC的遗传算法优化优势,还兼顾了AUC的平均值和方差两个目标。通过这种方式,MOSMAUC算法能够避免优化过程中出现AUC值分布不均,确保每个类别的AUC都有良好表现,从而显著提升多类SVM的学习能力和分类效果。 在算法实现上,MOSMAUC首先对RBF核函数的参数进行搜索,同时监控AUC的平均值和方差,寻找AUC值分布更加均衡的最优解,也就是所谓的Pareto最优解。这种方法确保了算法在优化过程中既能提高整体性能,又能避免单个类别性能的短板,从而在多类分类学习中取得了显著的进步。 通过实验验证,MOSMAUC算法展示了显著的性能提升,证明了它在处理多类SVM分类问题时的有效性和优越性。因此,MOSMAUC算法不仅提供了更全面的性能评估框架,也为实际应用中的多目标优化问题提供了一种有效的解决方案,推动了SVM技术在复杂多类分类场景下的进一步发展。