离群点检测算法的评价指标

随着离群点检测技术的深入研究和广泛应用,越来越多的优秀算法被提出来,然而,现有的离群点检测技术的评价仍然沿用传统分类算法的测量指标,存在着评价指标单一、适应性差的问题。针对这些问题,提出了一类高真正率指标(HT_AUC)和二类低假正率指标(LF_AUC)。首先,整理常用的离群点检测评价指标,分析其优缺点和适用场景;然后,在已有的曲线下面积(AUC)方法的基础上,分别针对高真正率(TPR)要求和低假正率(FPR)要求,提出了一类高真正率指标和二类低假正率指标,为离群点检测算法的效果评价和量化集成提供了更合适的指标。在真实数据集上的实验结果表明,与传统评价指标的相比,所提出的方法更能满足一类高真正率和二类低假正率要求。

基于AdaBoost与RusBoost的水声目标杂波分类研究与应用

水声目标杂波分类在众多场景中有着重要作用。针对水声目标杂波数据不平衡,人工分类工作量大且效果不佳的问题,介绍AdaBoost和RusBoost机器学习方法,利用两组数量有限的主动水声目标不平衡数据集,分别应用AdaBoost和RusBoost,通过训练和测试对比分析,发现RusBoost分类效果较好,且具有一定泛化能力,能够为后续研究和工作提供依据。