面向非平衡数据集的深度极限学习机模型

摘要

针对非平衡数据集对分类器性能造成的不利影响，提出一种基于Universum和改进哈里斯鹰算法优化的自适应深度极限学习机模型。在数据预处理阶段引入Universum样本，帮助更好地学习不同类别的样本；提出改进的哈里斯鹰算法，通过定义位置更新公式提升搜索能力，优化最小化问题公式以增强算法稳定性，生成更准确的特定类别成本调节极限学习机权重参数。基于多层感知机理论，构建自适应深度模型确定最佳隐藏层参数，进一步提高分类性能。基于公共数据集的实验结果表明，提出的自适应深度极限学习机模型可显著提高少数类样本的分类准确率。对脑卒中筛查数据进行的分类预测结果表明，该模型应用于临床数据可提供辅助诊断建议。

关键词

非平衡数据集 / 极限学习机 / 哈里斯鹰算法 / Universum