基于马氏距离的密度加权最小二乘孪生支持向量机

摘要

最小二乘孪生支持向量机基于欧氏距离判断样本相似性并搭建模型的方法未考虑样本不同维度的方差差异对决策超平面位置的影响，导致模型处理此类样本精度不高且对噪声样本敏感.鉴于此，该文提出一种基于马氏距离的密度加权最小二乘孪生支持向量机.该算法利用马氏距离替换欧氏距离构造密度加权策略，充分考虑点与分布的关系，给予噪声数据较低的权重，降低算法对噪声的敏感性；同时结合马氏距离核函数计算样本内协方差矩阵，消除样本特征值之间方差的差异，更准确地体现样本间的相关性，从而优化决策超平面.实验采用人工数据集和UCI数据集，实验结果表明：该算法比同类型分类算法具有更高的分类精确度和泛化能力，能够有效区分在样本中的噪声数据并赋予合适的权重值，提升分类器的鲁棒性.

关键词

支持向量机 / 马氏距离 / 核函数 / 密度加权 / 最小二乘损失函数