作者：张燕; 张晨光; 张夏欢不均衡数据集图半监督学习支持向量机
摘要：许多机器学习的实际应用中都存在数据不平衡问题，即某类的样本数目要远小于其他类别．数据不平衡会使得分类问题中的分类面过于倾向于适应大类而忽略小类，导致测试样本被错误地判断为大类．针对该问题，文章提出了一种平衡化图半监督学习方法．该方法在能量函数中引入均衡化因子项，使得置信值不仅在图上尽量光滑且在不同类别之间也尽量均衡，有效减小了数据不均衡的不利影响．21个标准数据集上对比实验的统计分析结果表明新方法在数据不平衡时具有显著（显著性水平为0．05）优于支持向量机以及其他图半监督学习方法的分类效果．
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
