核SMOTE提升SVM在非平衡数据集分类效果

"本文介绍了一种基于核SMOTE的非平衡数据集分类方法，该方法旨在改进支持向量机在处理非平衡数据集时的性能。" 非平衡数据集是指在分类任务中，不同类别样本数量差异悬殊的数据集。这种不平衡可能导致分类器偏向于数量较多的类别，忽视少数类别的样本，从而影响整体的分类效果。支持向量机（SVM）是一种广泛应用的监督学习模型，但在非平衡数据集上，它的表现可能不尽如人意。 为了改善SVM在非平衡数据集上的分类性能，文章提出了一种基于核SMOTE（Synthetic Minority Over-sampling Technique）的方法。SMOTE是一种常用的过采样技术，它通过生成新的少数类样本来平衡两类样本的数量。然而，传统的SMOTE在特征空间中创建合成样本，可能无法保证这些新样本在输入空间中的合理性。 核SMOTE的创新之处在于它在特征空间中应用SMOTE算法对少数类样本进行上采样，同时考虑了输入空间和特征空间的关系。具体来说，首先，算法在特征空间中合成新的少数类样本；然后，通过计算输入空间和特征空间的距离，找到这些合成样本在输入空间的对应原像，确保它们在原始数据分布中的合理性；最后，使用这些经过处理的样本对SVM进行训练。 实验结果显示，核SMOTE生成的合成样本质量优于标准SMOTE，这有助于提升SVM对非平衡数据集的分类精度。因此，这种方法对于处理具有类别不平衡问题的实际应用，如医疗诊断、金融风险评估等，具有重要的理论和实践价值。 关键词：非平衡数据集，支持向量机，输入空间，特征空间，原像 中图分类号：TP181 文献标识码：A 文章编号：037222112(2009)1122489207 通过核SMOTE的引入，研究人员能够更有效地应对非平衡数据集带来的挑战，优化SVM分类器的性能，使得在处理真实世界问题时，可以更加准确地识别和预测那些相对稀少但至关重要的类别。