基于自适应模糊孪生支持向量机的不平衡数据分类方法

摘要

在二分类问题中，当正类的规模远小于负类的规模时，数据就会出现不平衡现象。传统孪生支持向量机因对所有样本赋予相同重要性权重，导致分类超平面偏移，少数类容易被误分。为提升孪生支持向量机在数据不平衡条件下的分类性能，提出一种自适应模糊孪生支持向量机算法。算法基于一种新的隶属度函数，为不同类别样本分配差异化的隶属度值，其中多数类样本的隶属度值由样本与同类中心的距离、类别确定度等信息来确定；少数类样本点的隶属度值通过寻找使得评价指标最优的隶属度来确定，可根据数据集差异自适应调整隶属度分配，确保少数类样本得到充分重视。为验证该算法的有效性与优越性，在人工构造的不平衡数据集和KEEL标准不平衡数据集上开展大量对比实验。实验结果表明，自适应模糊孪生支持向量机算法在各类不平衡数据集上均表现更优，有效提升了整体分类准确率在不平衡数据分类任务中具备更强的实用性和鲁棒性，为二分类不平衡数据的精准分类提供了一种可靠的解决方案。

关键词

不平衡数据 / 二分类 / 孪生支持向量机 / 模糊隶属度 / 自适应 / 差异化权重

基金资助

国家自然科学基金(62203458)