计算机应用

作者：杨晨, 王婕婷, 李飞江, 钱宇华

单位：1. 山西大学 大数据科学与产业研究院, 太原 030006;2. 计算智能与中文信息处理教育部重点实验室(山西大学), 太原 030006;3. 山西大学 计算机与信息技术学院, 太原 030006

关键词：概率机器学习,支持向量数据描述,集成,不确定性,分类

基金：国家自然科学基金资助项目（61672332）；山西省拔尖创新人才支持计划项目；山西青年三晋学者项目；山西省海外归国人员研究项目（2017023）。

针对目前概率机器学习方法在解决概率问题时具有较高的复杂度，而传统的支持向量数据描述（SVDD）作为一种核密度估计方法只能判断测试样本是否属于该类等问题，提出一种基于概率的支持向量数据描述方法。首先，利用传统的SVDD方法分别得到两类数据的数据描述，计算测试样本到超球体的距离；然后，构造一个将距离转换为概率的函数，提出一种基于概率的SVDD方法；同时，使用Bagging算法进行集成，进一步提高数据描述的性能。借鉴分类场景，将所提方法与传统的SVDD方法在Gunnar Raetsch的13种基准数据集上进行实验，实验结果表明，所提方法在准确率和F1值上优于传统的SVDD方法，并且其数据描述的性能有所提升。

来源：2019年第11期

《计算机应用》期刊编辑部

查看计算机应用杂志2019年第11期