张燕¹，张晨光¹，张夏欢²

1.海南大学信息科学技术学院,海口 570228;2.北京凌云光视公司图像处理部, 北京 100097

出版日期:2016-08-25发布日期:2016-09-26

BALANCED GRAPH BASED SEMI-SUPERVISED LEARNING METHOD

ZHANG Yan¹, ZHANG Chenguang ¹,ZHANG Xiahuan²

1.College of Information Science and Technology,Hainan University, Haikou 570228;2.Department of Image Processing, Luster LightTec,Beijing 100097

Online:2016-08-25Published:2016-09-26







摘要
图/表
参考文献
相关文章
编辑推荐
-->Metrics
本文评论

许多机器学习的实际应用中都存在数据不平衡问题,即某类的样本数目要远小于其他类别.数据不平衡会使得分类问题中的分类面过于倾向于适应大类而忽略小类,导致测试样本被错误地判断为大类.针对该问题,文章提出了一种平衡化图半监督学习方法.该方法在能量函数中引入均衡化因子项,使得置信值不仅在图上尽量光滑且在不同类别之间也尽量均衡,有效减小了数据不均衡的不利影响. 21个标准数据集上对比实验的统计分析结果表明新方法在数据不平衡时具有显著(显著性水平为0.05) 优于支持向量机以及其他图半监督学习方法的分类效果.

MR(2010)主题分类:
93C41
分享此文:

()

[1]	胡雪梅, 蒋慧凤. 具有技术指标的逻辑回归模型预测谷歌股票的涨跌趋势[J]. 系统科学与数学, 2021, 41(3): 802-823.
[2]	韩璐，苏治，刘志东. 金融市场的协动预测模型: DWT-SVM方法[J]. 系统科学与数学, 2020, 40(12): 2342-2356.
[3]	李萍，倪志伟，朱旭辉，伍章俊. 基于分形流形学习的支持向量机空气污染指数预测模型[J]. 系统科学与数学, 2018, 38(11): 1296-1306.
[4]	王勇，董恒新. 大数据背景下中国季度失业率的预测研究------基于网络搜索数据的分析[J]. 系统科学与数学, 2017, 37(2): 460-472.

-->

PDF全文下载地址:

http://sysmath.com/jweb_xtkxysx/CN/article/downloadArticleFile.do?attachType=PDF&id=12852