总间隔模糊超球学习机

摘要

为解决传统支持向量机易出现学习"过拟合"和丢失数据统计特征等问题,通过引入模糊隶属度和总间隔思想,提出一种基于总间隔的最大间隔最小包含模糊球形学习机（TMF-SSLM）,使得一类（正类）被包含于一个最小包含超球内,而另一类（负类）与该超球间隔最大化,从而同时实现类间间隔的增大和正负两类类内体积的缩小.通过使用差异成本,解决不平衡训练样本问题.引入总间隔和模糊性惩罚,克服传统软间隔分类机的过拟合问题,显著提升球形学习机的泛化能力.采用UCI实际数据集分别对二类和一类模式分类进行实验,结果显示TMF-SSLM具有优于相关方法的稳定分类性能.