局部关注支持向量机算法

摘要 针对训练数据集的不均衡性这一问题，结合采样方法和集成方法，提出一种集成支持向量机分类算法。该算法首先对不均衡的训练集进行非监督聚类；然后依靠其底层的局部关注支持向量机进行数据集局部划分，以精确把控数据集间的局部特征；最后通过顶层支持向量机进行分类预测。在UCI数据集上的评测结果显示，该算法与当前流行的算法（如基于采样的核化少数类过采样技术（K-SMOTE）、基于集成的梯度提升决策树（GTB）和代价敏感集成算法（AdaCost）等）相比，分类效果有明显提升，能在一定程度上解决数据集的不均衡问题