增强不平衡学习：一种新颖的松弛因子模糊 SVM 方法
机器学习
2025-01-15 v1 神经与进化计算
摘要
在实际应用中，类别不平衡的数据集为机器学习算法（如支持向量机, SVM）带来了显著挑战，尤其是在有效管理不平衡、噪声和异常值方面。模糊支持向量机（FSVM）通过为样本分配不同的模糊成员来解决类别不平衡问题；然而，它们对不平衡数据集的敏感性可能导致不准确的评估。最近开发的基于松弛因子的模糊 SVM（SFFSVM）通过使用松弛因子根据误分类概率调整模糊成员，从而改进了传统 FSVM，纠正了由不同误分类成本（DEC）获取的超平面引起的误分类。基于 SFFSVM，我们提出了改进的基于松弛因子的模糊 SVM（ISFFSVM），该方法引入了一种新颖的位置参数。这一新参数显著推进了该模型，通过约束 DEC 超平面的扩展，从而减缓了对少数类样本的误分类风险。它确保了具有接近位置阈值的多数类样本被分配较低的模糊成员，从而增强了模型的判别能力。在多样化的真实世界 KEEL 数据集上进行的广泛实验表明，所提出的 ISFFSVM 在 F1 分数、 Matthews 相关系数（MCC）和精确召回曲线下面积（AUC-PR）方面 consistently 优于基准分类器。因此，位置参数的引入以及基于松弛因子的模糊成员，使 ISFFSVM 在严重类别不平衡的场景中超越传统方法。该模型的代码可在 \url{https://github.com/mtanveer1/ISFFSVM} 上获取。
引用
@article{arxiv.2411.17128,
title = {Enhancing Imbalance Learning: A Novel Slack-Factor Fuzzy SVM Approach},
author = {M. Tanveer and Anushka Tiwari and Mushir Akhtar and C. T. Lin},
journal= {arXiv preprint arXiv:2411.17128},
year = {2025}
}