Multi-Class Imbalanced Learning with Support Vector Machines via Differential Evolution
作者: Zhong-Liang Zhang, Jie Yang, Jian-Ming Ru, Xiao-Xi Zhao, Xing-Gang Luo
发布时间: 2025-02-24
来源: arxiv
研究方向: 机器学习，特别是支持向量机（SVM）和多类不平衡学习
主要内容
提出了一种改进的支持向量机（i-SVM）模型，用于处理多类不平衡分类问题，并使用差分进化（DE）算法进行参数优化。该方法通过结合成本敏感和分离边修改技术，有效地解决了数据不平衡问题，并通过OVO分解策略将多类问题分解为多个二元子问题，同时使用DE算法优化每个类别的支持向量。
主要贡献
1. 提出了一个改进的SVM模型（i-SVM）来处理不平衡数据集。
2. 提出了一种名为i-SVM-DE的方法来处理多类不平衡分类任务。
3. 提出了适应多类不平衡问题的改进DE算法，以同时获得每个类的支持向量。
4. 提出了替代验证集的适应度函数来评估学习模型。
5. 在15个数据集上进行了实验，结果表明i-SVM-DE在统计上优于其他基线方法。
研究方法
1. 支持向量机（SVM）
2. 差分进化（DE）算法
3. OVO分解策略
4. 成本敏感和分离边修改技术
5. 适应度函数
实验结果
在15个数据集上进行的实验表明，i-SVM-DE在G-mean、AvFβ和CBA指标上均优于其他基线方法。统计测试结果表明，i-SVM-DE-AVE和i-SVM-DE-MAX在AvFβ和CBA指标上与基线方法相比具有显著差异。
未来工作
提高模型的效率，以减少训练时间。