文献类型：期刊文章

作　　者：王婕婷[1,2,3] 钱宇华[1,2,3] 李飞江[1,2,3] 刘郭庆[1,2,3]

Wang Jieting;Qian Yuhua;Li Feijiang;Liu Guoqing(Institute of Big Data Science and Industry,Shanxi University,Taiyuan 030006;Key Laboratoryof Computational Intelligence and Chinese Information Processing(Shanxi University),Ministryof Education,Taiyuan 030006;School of Computer and Information Technology,Shanxi University,Taiyuan 030006)

机构地区：[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

出　　处：《计算机研究与发展》

基　　金：国家自然科学基金项目(61672332);山西省三晋学者支持计划项目;山西省回国留学人员科研项目(2017023)。

年　　份：2020

卷　　号：57

期　　号：8

起止页码：1581-1593

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：在人类自身的学习过程中,对学习结果进行科学客观的评价与反馈是关键环节.通常,由于学习者的知识缺陷或证据不足使得学习过程存在随机性,进一步可能导致学习结果与实际情况产生随机一致性.对此结果的直接反馈将严重影响学习性能的提升.同样,机器学习是以数据为驱动、以目标为导向的学习系统.由于经验历史数据有限、不平衡、含噪音等特质导致学习结果具有随机一致性.然而,以准确度为反馈准则的机器学习系统无法辨识随机一致性,这会影响学习系统的泛化能力.首先给出随机准确度和纯准确度的定义,并且进一步分析消除随机准确度的意义及必要性.然后,基于纯准确度指标,提出消除随机一致性的支持向量机分类方法PASVM,并在KEEL数据集的10种不同领域的基准测试集上验证其有效性.实验结果表明:相比于SVM、SVMperf以及其他可用于优化纯准确度指标的学习方法,PASVM泛化性能有明显提高.

关 键 词：随机一致性  纯准确度  支持向量机 分类  泛化能力

分 类 号：TP181]