文献类型：期刊文章

作　　者：王来[1] 樊重俊[1] 杨云鹏[1] 袁光辉[2,3]

Wang Lai;Fan Chongjun;Yang Yunpeng;Yuan Guanghui(Business School,University of Shanghai for Science&Technology,Shanghai 200093,China;School of Information Management&Engineering,Shanghai University of Finance&Economics,Shanghai 200433,China;Experimental Center,Shanghai University of Finance&Economics,Shanghai 200433,China)

机构地区：[1]上海理工大学管理学院,上海200093 [2]上海财经大学信息管理与工程学院,上海200433 [3]上海财经大学实验中心,上海200433

出　　处：《计算机应用研究》

基　　金：国家自然科学基金资助项目(71303157);上海市教育委员会科研创新重点基金项目(14ZZ131);上海市一流学科资助基金项目(S1205YLXK);上海市社科规划青年课题基金项目(2014EGL007);沪江基金资助项目(D14008)

年　　份：2019

卷　　号：36

期　　号：3

起止页码：807-811

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、INSPEC、JST、RCCSE、UPD、ZGKJHX、ZMATH、核心刊

摘　　要：数据分布的不平衡性和数据特征的非线性增加了分类的困难,特别是难以识别不平衡数据中的少数类,从而影响整体的分类效果。针对该问题,结合KFDA(kernel Fisher discriminant analysis)能有效提取样本非线性特征的特性和集成学习中Boosting算法的思想,提出了KFDA-Boosting算法。为了验证该算法对不平衡数据分类的有效性和优越性,以G-mean值、少数类的查准率与查全率作为分类效果的评价指标,选取了UCI中10个数据集测试KFDA-Boosting算法性能,并与支持向量机等六种分类算法进行对比实验。结果表明,对于不平衡数据分类,尤其是对不平衡度较大或呈非线性特征的数据,相比于其他分类算法,KFDA-Boosting算法能有效地识别少数类,并且在整体上具有显著的分类效果和较好的稳定性。

关 键 词：核费希尔判别分析  集成学习  不平衡数据 分类  

分 类 号：TP181]