在機(jī)器學(xué)習(xí)領(lǐng)域中,分類是一項(xiàng)非常重要的任務(wù)。然而在現(xiàn)實(shí)生活的分類任務(wù)中,不同類別的數(shù)據(jù)可能存在重疊部分,分類時(shí)會(huì)出現(xiàn)不可分區(qū)域,這類樣本很難被正確分類。機(jī)器學(xué)習(xí)主要是計(jì)算機(jī)通過對(duì)已知數(shù)據(jù)進(jìn)行訓(xùn)練,得到模型,并運(yùn)用它對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)。機(jī)器學(xué)習(xí)面臨的未來的數(shù)據(jù)和將來的行為引發(fā)的結(jié)果是不確定的。概率機(jī)器學(xué)習(xí)針對(duì)這種不確定性提供了一個(gè)概率框架,對(duì)模型和預(yù)測(cè)的不確定性進(jìn)行表示和控制。因此對(duì)不確定性任務(wù)進(jìn)行研究是一項(xiàng)非常有意義的課題。另外,在現(xiàn)實(shí)生活中,一些樣本很容易被采樣,而另一些樣本由于其領(lǐng)域的特殊性,致使其采樣工作比較困難。這就導(dǎo)致目標(biāo)數(shù)據(jù)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(tǒng)的機(jī)器學(xué)習(xí)分類算法在解決這類問題時(shí),會(huì)傾向多數(shù)類樣本,使得分類時(shí)存在一些問題。例如在機(jī)器故障診斷、醫(yī)療診斷等問題中,我們需要關(guān)注的就是這類數(shù)量很少卻非常重要的樣本。如果將其錯(cuò)誤分類可能會(huì)造成非常嚴(yán)重的后果。因此如何提高非平衡數(shù)據(jù)中的少數(shù)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(nèi)容包括以下兩個(gè)方面:(1)針對(duì)分類任務(wù)中存在的不確定性,而目前...

【文章頁數(shù)】：60 頁

【學(xué)位級(jí)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(nèi)外研究現(xiàn)狀
        1.2.1 支持向量數(shù)據(jù)描述方法的研究現(xiàn)狀
        1.2.2 非平衡數(shù)據(jù)分類問題的研究現(xiàn)狀
    1.3 研究內(nèi)容和組織結(jié)構(gòu)
第二章 相關(guān)工作
    2.1 支持向量機(jī)
    2.2 集成學(xué)習(xí)
    2.3 本章小結(jié)
第三章 基于概率的支持向量數(shù)據(jù)描述方法
    3.1 引言
    3.2 支持向量數(shù)據(jù)描述
    3.3 基于概率的支持向量數(shù)據(jù)描述方法
        3.3.1 概率函數(shù)
        3.3.2 基于概率的支持向量數(shù)據(jù)描述方法
    3.4 實(shí)驗(yàn)分析
        3.4.1 實(shí)驗(yàn)數(shù)據(jù)集
        3.4.2 評(píng)價(jià)標(biāo)準(zhǔn)
        3.4.3 實(shí)驗(yàn)設(shè)置
        3.4.4 實(shí)驗(yàn)結(jié)果
    3.5 本章小結(jié)
第四章 基于優(yōu)化的支持向量數(shù)據(jù)描述方法
    4.1 引言
    4.2 非平衡數(shù)據(jù)分類問題
    4.3 基于優(yōu)化的支持向量數(shù)據(jù)描述方法
        4.3.1 優(yōu)化算法
        4.3.2 基于優(yōu)化的支持向量數(shù)據(jù)描述方法
    4.4 實(shí)驗(yàn)分析
        4.4.1 實(shí)驗(yàn)數(shù)據(jù)集
        4.4.2 評(píng)價(jià)標(biāo)準(zhǔn)
        4.4.3 實(shí)驗(yàn)設(shè)置
        4.4.4 實(shí)驗(yàn)結(jié)果
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
攻讀學(xué)位期間取得的研究成果
致謝
個(gè)人簡況及聯(lián)系方式



本文編號(hào)：3870012