不同误分代价的支持向量机分类器

提出一种区分不同类别误分代价的支持向量机模型,建立了拉格朗日方程,利用KKT条件推导出其对偶形式.该模型能够让用户标记不同类别样本的重要性,并根据重要性程度设定不同的误分代价,使重要类别的样本尽量减少被误分的可能性,以满足特定任务的需求.实验结果表明,该模型可以很好地完成特定任务的分类.

组合代价敏感支持向量机及其应用

标准的分类器设计大多都是基于整体最小化错误率。在入侵检测、医疗诊断等领域中,不同类别的误分类通常具有不等的损失。文中采用支持向量机建立模型,在组合算法的思想下引入组合代价敏感支持向量机,弥补传统代价敏感支持向量机在分类精度上的不可控。在模型对比中引入了更为实际的对比方式,从而能更好地选取模型,以减少总体误分代价。文中考虑不同类别的误分代价的前提下建立合适的支持向量机模型,并成功地应用在个人信用分类上。

基于代价敏感集成学习的战场态势评估模型

针对误分代价不平衡条件下基于机器学习的战场态势评估误分代价较高问题,提出基于代价敏感集成学习的战场态势评估模型。以具有良好非线性建模能力的BP神经网络模型为基础分类器,通过AdaCost代价敏感集成学习方法综合考虑误分类代价对BP神经网络进行集成训练,使模型具有代价敏感特性。实验表明,在误分代价不平衡条件下,相对于单独的BP神经网络模型来说,所提模型在评估准确率和误分总代价方面都有较大优势。

我国居民保险购买行为的决策树模型分析

近几年许多行业都步入大数据时代,但数据挖掘技术在我国保险领域的应用相对不多,并且我国保险公司也要考虑通过改变传统的经营方法来提升业绩,因此加大对数据的利用力度,过渡到数字化营销模式对保险公司来说十分关键。主要研究决策树算法在保险公司客户识别方面的应用,根据加入误分代价的决策树模型建立的分类规则,找出了影响我国居民是否购买保险产品的主要因素。

基于改进Adaboost的信用评价方法

网络借贷环境下基于Adaboost的信用评价方法具有较高的基分类器分歧度和样本误分代价。现有研究没有考虑分歧度和误分代价对基分类器样本权重的影响,从而降低了网络借贷信用评价结果的有效性。为此,提出一种基于改进Adaboost的信用评价方法。该方法根据基分类器的误分率,样本在不同基分类器上分类结果的分歧程度,以及样本的误分代价等因素,调整Adaboost模型的样本赋权策略,使得改进后的Adaboost模型能够对分类困难样本和误分代价高的样本实施有针对性的学习,从而提高网络借贷信用评价结果的有效性。基于拍拍贷平台数据的实验结果表明,提出的方法在分类精度和误分代价等方面显著优于传统的基于Adaboost的信用评价方法。

基于最小二乘加权支持向量机的个人信用预测模型研究

针对不同类别样本数差异和不同误分代价的分类问题,提出了一种基于最小二乘加权支持向量机的分类预测方法。在最小二乘加权支持向量机的基础上,考虑不同类别样本数差异和不同误分代价,提出了新的最小二乘加权支持向量机分类模型,构造了新的最优分类函数。将该模型应用于个人信用预测实验,与已有方法的对比实验结果表明,提出的模型在解决不同类别样本数差异和不同误分代价的个人信用预测问题时,有效地降低了总误分代价,提高了个人信用预测精确度。