基于尺度化凸壳的代价敏感学习

受改变类分布思想的启发,采用最新的最大间隔方法——尺度化凸壳方法来解决代价敏感学习。该方法可以改变样本的分布,且这种改变只需为不同的类赋予不同的尺度因子就可以实现。实验结果表明,尺度化凸壳方法求解代价敏感问题的有效性,其求解过程也非常简单。

一种新的构造SVM分类器的几何最近点法

引入了尺度化凸壳(Scaled convex hull,SCH)的概念,证明了与之相关的性质,通过这些性质可以把求解线性不可分支持向量机(Support vector machine,SVM)的问题转化为计算两类训练样本分别生成的尺度化凸壳间的最近点对的问题.然后可以用几何最近点法计算尺度化凸壳间的最近点对,把垂直平分连接最近点对线段的超平面作为线性不可分问题的分类超平面.此外,还把这种方法推广到非线性情形,并给出了解决非线性问题的一种简化算法.理论分析和实验均表明,与已有的方法相比,尺度化凸壳法在取得相同分类成功率的同时,训练时间大大减少,特别适用于样本较多的大规模分类问题.