發(fā)布時間：2020-12-14 07:23

　　隨著數(shù)據(jù)時代的發(fā)展,代價敏感的多分類問題受到越來越多的重視�，F(xiàn)有的基于支持向量機模型的多分類算法可以大致分為兩類,其一是組合多個二分類器,但是這類方法將每一類樣本和其他類的樣本獨立開來,忽略了不同類別樣本之間的聯(lián)系,在一些情境中效果不佳。其二即多分類支持向量機,將多個分類面的參數(shù)求解合并到一個最優(yōu)化問題中,一次性實現(xiàn)多分類。相較與前者,其增加了所需求解的參數(shù)個數(shù),但能較好掌握數(shù)據(jù)類別分布。多分類代價敏感支持向量機即為旨在解決代價敏感問題的第二類算法的代表。本文著重在多分類代價敏感支持向量機的基礎上,將原始模型正則項進行拓展,通過引入?yún)��?shù)將目標函數(shù)轉化為二次規(guī)劃問題,并研究正則項對模型的影響。本文利用高效塊坐標下降法對模型參數(shù)進行求解,并針對大規(guī)模樣本,詳細給出模型高效計算的方法。通過實例將模型與現(xiàn)有較為成熟的多分類方法進行對比,展現(xiàn)新的模型在一般分類和代價敏感學習上的優(yōu)勢。同時,本文對已有Rademacher結構引理進行拓展,利用該引理計算多分類模型的泛化邊界,將其與Gaussian泛化邊界進行對比。最后,本文給出拓展后的多分類代價敏感支持向量機的泛化邊界,研究泛化邊界與分類問題的類別... 

【文章來源】：華東師范大學上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：57 頁

【學位級別】：碩士

【部分圖文】：

Gu(c,q,k)和Ra(c,q,k)在不同k,c下關于q的變化趨勢對比

圖像集包含 40 個不同的實驗對象在同一背景，不同的時間、光線、面部表情 (睜開/閉上眼睛，微笑/不微笑) 和面部表情細節(jié) (眼鏡/不戴眼鏡) 下的 10 張正面照片（人臉圖像的樣本總數(shù)為 400 張），部分圖像如圖4-1 所示。為了在不同類別的代價敏感學習中對比 p-mcSVM 模型和 mcSVM 模型的表現(xiàn)，需要依據(jù)每對人臉圖像集進行二次處理，處理步驟如下：[1.] 確定 N(N=2,3,4,5)[2.] 隨機固定 15 人作為入侵者, 計為 I 類。[3.] 剩下的 25 人作為集體內部人員, 計為 G 類。將集體內部人員 (G) 隨機分成 N 小類。[4.] 設定誤分類代價比為 CIG: CGI: CGG。-27-

§4.2 p-mcSVM 模型的參數(shù)模擬(3) p-mcSVM 模型的 err 和總損失 cost 大于 mcSVM，即 p-mcSVM 模型對集體內部人員的分類不敏感，這部分的誤分類代價較小。因此， p-mcSVM 能減少代價較大的誤分類事件，但同時也會增加代價較小的誤分類事件發(fā)生的次數(shù)。§4.2 p-mcSVM 模型的參數(shù)模擬本節(jié)研究無代價敏感下采用高斯核時，模型參數(shù)與高斯核參數(shù) σ 之間的關系。模擬實驗采用 k = 2,5,10 的三組數(shù)據(jù)，分別研究模型在不同參數(shù)組合下根據(jù)三組數(shù)據(jù)擬合出的 β 變化路徑，固定模型參數(shù) λ = 0.1。


本文編號：2916061