| 【中文题名】 | 基于AUC的SVM多类分类算法的优化 |
| 【英文题名】 | Optimization of Multi-class SVM Algorithm Based on AUC |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-7-31 |
| 【中关键词】 | SVM算法,ROC曲线下面积（AUC）,多类分类方法,遗传算法,, |
| 【英关键词】 | SVM ALGORITHM,AUC,MULTI-CLASS CLASSIFICATION METHOD,GENETIC ALGORITHM, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>自动推理、机器学习> |
| 【论文摘要】 |
支持向量机(Support Vector Machine, SVM)算法作为分类学习领域中一个分类正确率(Accuracy)较高的算法已经得到了广泛的应用,但其对于多类别代价敏感性数据的分类方法仍然没有一个统一的模式,并且以正确率作为评价标准并不能保证总体误分类代价最小。AUC (Area Under the ROC Curve, ROC曲线下面积)评价标准可以衡量数据类别在任何分布或任何错误代价下分类算法的总体性能并且已经广泛应用于机器学习中对多类分类算法进行评价。针对此现状,本文在详细分析AUC评价标准和SVM多类分类方法后,通过两者的结合来对多类别数据进行分类,并利用遗传算法(Genetic Algorithm, GA)对其分类结果AUC进行优化,从而形成了一个新的SVM多类分类方法——基于AUC的遗传算法优化SVM多类分类方法(GA Optimize Multi-class SVM Based on AUC, GOSMAUC)。GOSMAUC既解决了AUC评价SVM多类分类结果的问题,又能够对其结果进行优化,该方法对于SVM在多类分类学习领域提供了一个更为有效的解决多类分类问题的方法。
... |
| 【论文题纲】 |
|
摘要 |
3-4 |
|
ABSTRACT |
4-7 |
|
第一章 绪论 |
7-11 |
|
1.1 本课题的研究背景和意义 |
7-8 |
|
1.2 SVM 算法的研究现状 |
8-9 |
|
1.3 AUC 的研究背景介绍 |
9-10 |
|
1.4 本文的主要工作 |
10 |
|
1.5 本文的内容安排 |
10-11 |
|
第二章 AUC 评价标准 |
11-19 |
|
2.1 正确率的不足 |
11-12 |
|
2.2 ROC 曲线分析技术分析基础 |
12-14 |
|
2.3 AUC 评价标准 |
14-16 |
|
2.4 AUC 和正确率的比较 |
16-17 |
|
2.5 AUC 解决多类分类问题的方法 |
17-18 |
|
2.6 本章小结 |
18-19 |
|
第三章 SVM 算法 |
19-29 |
|
3.1 SVM 的理论基础 |
19 |
|
3.2 SVM 的基本思想 |
19-25 |
|
3.3 SVM 多类分类算法 |
25-28 |
|
3.4 基于AUC 的SVM 多类分类方法 |
28 |
|
3.5 本章小结 |
28-29 |
|
第四章 遗传算法 |
29-34 |
|
4.1 遗传算法原理 |
29-30 |
|
4.2 遗传算子 |
30-32 |
|
4.3 适应度函数和假设选择 |
32 |
|
4.4 遗传算法在机器学习中的应用 |
32-33 |
|
4.5 本章小结 |
33-34 |
|
第五章 GOSMAUC 算法 |
34-40 |
|
5.1 GOSMAUC 算法介绍 |
34-35 |
|
5.2 GOSMAUC 算法设计 |
35-38 |
|
5.3 GOSMAUC 算法流程 |
38-39 |
|
5.4 算法小结 |
39-40 |
|
第六章 实验论证及说明 |
40-43 |
|
6.1 实验选定多类分类方法 |
40-41 |
|
6.2 在多类别数据集上的实验 |
41-42 |
|
6.3 本章小结 |
42-43 |
|
第七章 工作和展望 |
43-45 |
|
参考文献 |
45-48 |
|
致谢 |
48-49 |
|
附录A 攻读学位其间发表的论文 |
49-50 |
|
详 细 摘 要 |
50-53 |
|
| 【DOI】 | LunWen.ID:2.2008.388707 |
