基于SVM的多类代价敏感学习及其应用

作     者：程学云 吉根林 凌霄汉 CHENG Xueyun;JI Genlin;LIN Xiaohan

作者机构：南京师范大学数学与计算机科学学院 

基　　金：江苏省自然科学基金资助项目(BK2005135) 南通大学校级自然科学研究基金资助项目(05Z053) 

出 版 物：《南京师范大学学报（工程技术版）》 (Journal of Nanjing Normal University(Engineering and Technology Edition))

年 卷 期：2006年第6卷第4期

页      码：79-82页

摘      要：标准的分类器设计一般基于最小化错误率.在入侵检测等问题中,不同类型的错分往往具有不等的代价.通过在支持向量机的类概率输出中引入代价敏感机制,提出了3种基于最小化总体错分代价设计分类器的方法.实验结果表明通过改变代价矩阵,能在漏报率、误报率及稀有类样本的错误率之间调节,从而保证在误报率尽可能小的情况下降低漏报率和稀有类样本的错误率,以减少总体错分代价.

主 题 词：代价敏感学习 支持向量机 入侵检测 漏报率 误报率 

学科分类：081203[081203] 08[工学] 0835[0835] 0812[工学-测绘类] 

D　O　I：10.3969/j.issn.1672-1292.2006.04.019

馆 藏 号：203664804...