作者：陈辉辉; 白治江非平衡数据集模糊支持向量机模糊隶属度样本紧密度
摘要：支持向量机（SVM）作为一种有效的机器学习技术可以很好地处理平衡数据集,然而除了对噪声点和野点敏感以外,SVM在非平衡数据分类时会偏向多数类（负类）样本,从而导致少数类（正类）的分类精度变差。为了克服以上问题,提出了一种改进的模糊支持向量机（FSVM）算法。新算法在设计模糊隶属度时,不仅考虑样本到其所在类中心的距离,还考虑了样本的紧密度特征。实验结果表明,相对于标准SVM及已有的FSVM模型,新方法对于非平衡且含有噪声的数据集有更好的分类效果。
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
