%0 Journal Article
%T 不平衡数据学习算法在相似性学习中的应用*
%A 夏佩佩
%A 张莉
%J 模式识别与人工智能
%P 1138-1146
%D 2014
%X 在现实问题中，相似性学习的样本对存在不平衡现象，即相似性样本对的数量会远小于不相似性样本对的数量.针对此问题，文中提出两种样本对构造方法——不相似K近邻-相似K近邻(DKNN-SKNN)和不相似K近邻-相似K远邻(DKNN-SKFN).运用这两种方法可有针对性地选择相似性学习样本对，不仅可加快支持向量机的训练过程，而且在一定程度上解决样本对之间的不平衡问题.在多个数据集上进行文中方法和经典的重采样方法的对比实验，结果表明DKNN-SKNN和DKNN-SKFN具有良好性能.
%K 相似性学习
%K 支持向量机
%K K近邻
%K 不平衡学习
%K 重采样
%U http://manu12.magtech.com.cn/Jweb_prai/CN/abstract/abstract9997.shtml