面向不平衡数据的核方法及应用

不平衡数据的分类是机器学习领域的一个新的具有挑战性的问题。全间隔支持向量机和拉普拉斯分类器是近年提出具有较强灵活性的核学习方法。它们较强的学习能力使其在生物信息学等领域显示了诱人的应用前景。首先，本书提出一种模糊全间隔支持向量机（FTM-SVM）来处理数据集中出现离群点或噪声的类不平衡学习问题。其次，本书发展了一种新的核分类器，能够用来处理数据集中出现离群点和噪声的类不平衡学习问题。称这种新的学习方法为模糊拉普拉斯分类器（FLC）。最后，设计了一个三阶段的学习框架对不平衡蛋白质数据集分类。全部实验和统计结果表明本书提出的方法不仅能够很好地处理数据集中出现离群点或噪声的类不平衡学习问题，而且能够重点强调小概率区域的分类。