MOSMAUC: 基于多目标优化的AUC提升SVM多类分类

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。