鲁棒非平衡极速学习机算法：提升少数类分类精度与抗噪声性

"一种鲁棒非平衡极速学习机算法.pdf" 本文主要研究的是如何改进极速学习机（Extreme Learning Machine, ELM）算法以应对非平衡数据集的分类问题。在传统的ELM算法中，由于其对多数类样本的偏好，往往在处理非平衡数据集时，对少数类样本的分类效果不佳。为了解决这个问题，作者提出了一个新的模型——ELM-CIL（Cost-Insensitive Learning for ELM）。这个模型基于代价敏感学习的思想，为少数类样本赋予更高的惩罚系数，以确保它们在分类过程中得到更多的关注。 在ELM-CIL模型中，引入了模糊隶属度的概念，这有助于减少外围噪声点对分类结果的影响。模糊隶属度允许样本在类别之间具有一定的模糊性，使得算法能更好地适应非确定性和复杂的数据分布。通过这种方式，模型增强了对噪声的鲁棒性，即在面对含有噪声的数据时，分类性能不会显著下降。 实验部分展示了该方法的有效性。对比传统ELM，ELM-CIL在不平衡数据集上的实验结果显示，它能显著提高少数类样本的分类精度，并且在处理噪声数据时表现出更好的稳定性。这表明，ELM-CIL是解决非平衡数据集分类问题的一种有力工具，尤其在数据集中存在大量噪声或者少数类样本数量极少的情况下。 此外，文章还提到了研究背景和相关领域的知识，如神经网络、数据挖掘以及基于核的可能性模糊C-均值聚类（Kernel-based Possibilistic Fuzzy C-Means Clustering）。这些技术都是理解和实现ELM-CIL模型的重要基础，它们帮助构建了处理不平衡数据集的理论框架，并为未来的研究提供了新的思路。 文章作者包括孟凡荣、高春晓和刘兵，他们分别在中国矿业大学计算机科学与技术学院从事数据库技术、数据挖掘和相关领域的研究。该研究得到了高等学校博士学科点专项科研基金资助项目和国家++*$计划资助项目的资金支持。 这篇论文提供了一种改进的鲁棒非平衡数据集分类方法，对于提升机器学习算法在实际应用中的性能，特别是在处理不平衡数据集时，有着重要的理论价值和实践意义。