用于不平衡数据分类的模糊支持向量机算法

作为一种有效的机器学习技术，支持向量机已经被成功地应用于各个领域．然而当数据不平衡时，支持向量机会产生次优的分类模型；另一方面，支持向量机算法对数据集中的噪声点和野点非常敏感．为了克服以上不足，提出了一种新的用于不平衡数据分类的模糊支持向量机算法．该算法在设计样本的模糊隶属度函数时，不仅考虑训练样本到其类中心距离，而且考虑样本周围的紧密度．实验结果表明，所提模糊支持向量机算法可以有效地处理不平衡和噪声问题