• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Neural Networks and Learning Systems, IEEE Transactions on >Multiobjective Support Vector Machines: Handling Class Imbalance With Pareto Optimality
【24h】

Multiobjective Support Vector Machines: Handling Class Imbalance With Pareto Optimality

机译：多目标支持向量机：用帕累托最优性处理课程不平衡

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Support vector machines (SVMs) seek to optimize three distinct objectives: maximization of margin, minimization of regularization from the positive class, and minimization of regularization from the negative class. The right choice of weightage for each of these objectives is critical to the quality of the classifier learned, especially in case of the class imbalanced data sets. Therefore, costly parameter tuning has to be undertaken to find a set of suitable relative weights. In this brief, we propose to train SVMs, on two-class as well as multiclass data sets, in a multiobjective optimization framework called radial boundary intersection to overcome this shortcoming. The experimental results suggest that the radial boundary intersection-based scheme is indeed effective in finding the best tradeoff among the objectives compared with parameter-tuning schemes.
机译：支持向量机（SVM）寻求优化三个不同的目标：最大化边距，从正面阶级最小化正则化，以及从负类的正则化。对于这些目标中的每一个的正确选择对于学习的分类器的质量至关重要，特别是在类别的不平衡数据集的情况下。因此，必须进行昂贵的参数调整以找到一组合适的相对权重。在此简介中，我们建议在两个阶级和多种多组数据集中培训SVM，在称为径向边界交叉口的多目标优化框架中，以克服这种缺点。实验结果表明，与参数调整方案相比，基于径向边界的基于交叉区的方案确实有效地找到了目标的最佳权衡。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号