单类分类是机器学习和模式识别领域中常见的任务,它能够有效解决训练样本中仅有一类样本和类别极端不平衡的问题。目前,众多学者提出了许多方法用于解决单类分类问题的方法,其中最为常用的是单类支持向量机(one-class support vector ma...
详细信息
单类分类是机器学习和模式识别领域中常见的任务,它能够有效解决训练样本中仅有一类样本和类别极端不平衡的问题。目前,众多学者提出了许多方法用于解决单类分类问题的方法,其中最为常用的是单类支持向量机(one-class support vector machine,OCSVM)和支持向量数据描述(support vector data description,SVDD)。然而,传统的单类支持向量机存在一些缺陷,如:对于训练中存在的异常点较为敏感,鲁棒性较差。基于此,本文从样本加权和改进损失函数两个方面展开了研究。1.提出了自适应加权单类支持向量机(adaptive weighted one-class support vector machine,AWOCSVM)。所提方法的自适应权重根据样本点到样本中心的距离和样本的局部密度而求得,能够使得异常点得到一个较小的权重,进而减弱其对决策边界的影响,提高OCSVM的鲁棒性。在人工数据集和标准数据集上验证了所提方法的可行性。2.提出了基于可缩放hinge损失函数的鲁棒单类支持向量机(robust one-class support vector machine with rescaled hinge loss function,ROCSVM-HRRQ)。所提方法用非凸、有界的函数替代无界的hinge损失函数,有效的抑制住了异常点的负面影响,进而使得OCSVM的鲁棒性有所提高。从理论上进行了性能估计和鲁棒性分析,并且在人工数据集和标准数据集上与其他三个相关方法进行了比较,实验结果表明,所提方法具有更强的鲁棒性。
暂无评论