在機器學習領域中,分類是一項非常重要的任務。然而在現實生活的分類任務中,不同類別的數據可能存在重疊部分,分類時會出現不可分區域,這類樣本很難被正確分類。機器學習主要是計算機通過對已知數據進行訓練,得到模型,并運用它對未知數據進行預測。機器學習面臨的未來的數據和將來的行為引發的結果是不確定的。概率機器學習針對這種不確定性提供了一個概率框架,對模型和預測的不確定性進行表示和控制。因此對不確定性任務進行研究是一項非常有意義的課題。另外,在現實生活中,一些樣本很容易被采樣,而另一些樣本由于其領域的特殊性,致使其采樣工作比較困難。這就導致目標數據集中一些類的樣本很多,而另一些類很少的情況,即樣本的分布是不平衡的。然而傳統的機器學習分類算法在解決這類問題時,會傾向多數類樣本,使得分類時存在一些問題。例如在機器故障診斷、醫療診斷等問題中,我們需要關注的就是這類數量很少卻非常重要的樣本。如果將其錯誤分類可能會造成非常嚴重的后果。因此如何提高非平衡數據中的少數類的分類性能是很重要的。為了解決上述問題,本文開展基于SVDD的分類方法研究。主要內容包括以下兩個方面:(1)針對分類任務中存在的不確定性,而目前...

【文章頁數】：60 頁

【學位級別】：碩士

【文章目錄】：
中文摘要
ABSTRACT
第一章 緒論
    1.1 研究背景和意義
    1.2 國內外研究現狀
        1.2.1 支持向量數據描述方法的研究現狀
        1.2.2 非平衡數據分類問題的研究現狀
    1.3 研究內容和組織結構
第二章 相關工作
    2.1 支持向量機
    2.2 集成學習
    2.3 本章小結
第三章 基于概率的支持向量數據描述方法
    3.1 引言
    3.2 支持向量數據描述
    3.3 基于概率的支持向量數據描述方法
        3.3.1 概率函數
        3.3.2 基于概率的支持向量數據描述方法
    3.4 實驗分析
        3.4.1 實驗數據集
        3.4.2 評價標準
        3.4.3 實驗設置
        3.4.4 實驗結果
    3.5 本章小結
第四章 基于優化的支持向量數據描述方法
    4.1 引言
    4.2 非平衡數據分類問題
    4.3 基于優化的支持向量數據描述方法
        4.3.1 優化算法
        4.3.2 基于優化的支持向量數據描述方法
    4.4 實驗分析
        4.4.1 實驗數據集
        4.4.2 評價標準
        4.4.3 實驗設置
        4.4.4 實驗結果
    4.5 本章小結
第五章 總結與展望
    5.1 總結
    5.2 展望
參考文獻
攻讀學位期間取得的研究成果
致謝
個人簡況及聯系方式



本文編號：3870012