Cost-Sensitive Support Vector Machine Using Randomized Dual Coordinate Descent Method for Big Class-Imbalanced Data Classification
Cost-Sensitive Support Vector Machine Using Randomized Dual Coordinate Descent Method for Big Class-Imbalanced Data Classification
复制标题
使用随机双坐标下降法进行大类不平衡数据分类的成本敏感支持向量机
DOI：
10.1155/2014/416591
复制
发表时间：
2014-07
影响因子：
--
通讯作者：
谢七月
中科院分区：
文献类型：
--
作者：
唐明珠;杨春华;张亢;谢七月
代价敏感支持向量机是处理类不平衡问题（如故障诊断）的常用工具之一。然而，这样的数据出现的时候，不仅有大量的例子，还有大量的特征。针对大数据中的类不平衡问题，提出了一种基于随机对偶坐标下降法的代价敏感支持向量机（CSVM-RDCD）。该方法以封闭形式导出了每次迭代时相关子问题的解，并通过加速策略和低计算成本降低了计算量。推导了CSVM-RDCD的四个约束条件。实验结果表明，该方法在真实的大类不平衡数据上提高了正类的识别率，降低了平均误分类代价。
Cost-sensitive support vector machine is one of the most popular tools to deal with class-imbalanced problem such as fault diagnosis. However, such data appear with a huge number of examples as well as features. Aiming at class-imbalanced problem on big data, a cost-sensitive support vector machine using randomized dual coordinate descent method (CSVM-RDCD) is proposed in this paper. The solution of concerned subproblem at each iteration is derived in closed form and the computational cost is decreased through the accelerating strategy and cheap computation. The four constrained conditions of CSVM-RDCD are derived. Experimental results illustrate that the proposed method increases recognition rates of positive class and reduces average misclassification costs on real big class-imbalanced data.
登录
查看更多内容
影响因子：
6
作者：
Chan-Yun Yang;Jr-Syu Yang;Jianjun Wang
通讯作者：
Chan-Yun Yang;Jr-Syu Yang;Jianjun Wang
DOI：
10.1016/j.eswa.2011.09.071
发表时间：
2012-03
期刊：
Expert Syst. Appl.
影响因子：
--
作者：
Jungeun Kim;Keunho Choi;Gunwoo Kim;Yongmoo Suh
通讯作者：
Jungeun Kim;Keunho Choi;Gunwoo Kim;Yongmoo Suh
影响因子：
10.6
作者：
Artan, Yusuf;Haider, Masoom A.;Yetik, Imam Samil
通讯作者：
Yetik, Imam Samil
DOI：
--
发表时间：
2006
期刊：
ArXiv
影响因子：
--
作者：
T. Eitrich;B. Lang
通讯作者：
T. Eitrich;B. Lang
影响因子：
7.5
作者：
Yoon-Joo Park;Se-Hak Chun;Byung-Chun Kim
通讯作者：
Yoon-Joo Park;Se-Hak Chun;Byung-Chun Kim