考虑错分代价的ADASVM-CSLINEX模型及应用

在二分类预测中存在对两类样本的两类分类错误,在现实应用中这两类错误的代价往往是不同的,该文考虑了两类错误的错分代价问题。通过引入一种具有非对称性的LINEX损失函数,可以实现对低错分代价的样本进行线性级惩罚,对高错分代价的样本进行指数级惩罚。模型以SVM作为AdaBoost的基分类器,再将LINEX损失函数嵌入到AdaBoost-SVM的权重更新方程中,根据对正负类样本错分代价的不同以及样本是否错分重新更新样本权重。对2011年1月至2020年12月的沪深300指数成分股进行了实证研究,利用所提出的模型方法进行涨跌预测,研究发现所构建的ADASVM-CSLINEX模型可以获得更高的投资绩效。

基于错分代价的故障预测技术安全性能评估方法

研究了一类考虑错分代价的故障预测技术安全性能评估方法。鉴于概率论不精确的特性,针对两类故障类别的统计数据构建了错分代价模型,在此基础上确立了错分代价最小的故障趋势判别定理;从两类故障类别出发,构建了多类故障类别预测的错分代价模型以及错分代价最小的故障趋势判别规则,并给出了故障预测技术安全性能评估的基本流程;用火箭控制系统故障检测的实例验证了错分代价模型的有效性,并对故障预测技术未来的安全性能评估的未来发展趋势进行了探讨。

基于错分代价的HingeBoost算法在高维数据判别分析中的应用

目的探讨基于错分代价的HingeBoost算法在二分类高维数据中分类判别的效果。方法通过模拟试验和实际代谢组学数据分析,对HingeBoost算法、AdaBoost算法、支持向量机、随机森林四种方法进行比较,并用ROC曲线下面积、灵敏度、特异度和错误率评价。结果模拟试验和真实代谢组数据分析显示,HingeBoost算法内部参数错分代价能影响分类结果的判别,在线性结构、同时存在大量噪声变量时分类效果优于其他三种算法。结论 HingeBoost算法将错分代价引入模型,达到减少假阳性错误或假阴性错误的目的,同时有很强的抗噪声能力,适用于高维代谢组学数据分析,值得进一步研究。

基于错分代价的用户换手机的分类器阈值和预期风险研究

传统的分类算法将正确预测和错误预测平等看待,忽略了人的主观因素,不能很好地对错误率进行控制。本研究基于某移动通讯公司西安分公司的用户消费数据,用引入错分代价后的Logistic模型研究了预测用户换手机的阈值及预期风险,研究发现:引入错分代价后的Logistic模型具有较好的分类效果;不同的错分代价对应不同的最优阈值,但预测准确率基本一致;用传统的阈值0.5进行分类不但降低了预测准确率还增加了预期风险;随着正负类别间的分类代价差异越大,分类器预测所面临的预期风险会上升;最优分类器的取值、最优阈值和预期风险三者之间具有动态平衡和相互制约关系。因而,该结论不但为数据挖掘人员提供多维度的分析框架,而且也为制造商和销售商提供决策参考。

考虑错分代价的LogitBoost算法及其在手机用户价值分类中的应用

针对传统LogitBoost算法将正确分类与错误分类平等看待且损失函数不收敛于代价敏感的贝叶斯决策问题.本研究在传统LogitBoost算法的基础上给出了一种基于错分代价改进的LogitBoost算法,并以某移动通讯公司的手机用户数据为基础检验了该算法的有效性,研究发现:与其他同类算法相比考虑错分代价后的LogitBoost算法的分类效果提升较明显;随着错分代价比值的增大,预期风险(同一阈值下)增大;同一错分代价比值下的预期风险,随着错分代价比值的增大表现出先增大后减小的趋势.该结论不仅说明了通过引入错分代价能有效降低模型的预期风险(这使新算法由关注分类错误率最小化转向关注预期风险最小),也为通讯公司提供了分析框架和决策参考.

基于广域时序数据挖掘策略的暂态电压稳定评估

在能源互联网背景下,大数据分析方法可为电力系统中一些传统难题提供新的解决思路。在基于大数据的暂态电压稳定评估中,针对动态变化趋势和特征难以准确捕获的问题,引入时间序列shapelet方法,从故障后PMU量测得到的动态序列中进行可靠的时序特征提取。通过融入错分代价的决策树算法,调整稳定/失稳样本的权重,使评估模型尽可能降低对失稳案例漏判的概率。Nordic系统算例对整体评估方案的测试表明,分类评估模型在保证高分类性能的同时,还可提供良好的可解释性,为特定系统失稳规律认知和在线监控提供进一步指导。

基于代价敏感决策树的客户价值细分(英文)

由于错误分类代价差异和不同价值客户数量的不平衡分布,基于总体准确率的数据挖掘方法不能体现由于客户价值不同对分类效果带来的影响。为了解决错误分类不平衡的数据分类问题,利用代价敏感学习技术扩展现有决策树模型,将这一方法应用在客户价值细分,建立基于客户价值的错分代价矩阵,以分类代价最小化作为决策树分支的标准,建立分类的期望损失函数作为分类效果的评价标准,采用中国某银行的信用卡客户数据进行实验。实验结果表明,与传统决策树方法相比,代价敏感决策树对客户价值细分问题有更好的分类效果,可以更精确地控制代价敏感性和不同种分类错误的分布,降低总体的错误分类代价,使模型能更准确反映分类的代价。