《表2 实验结果比较：一种新的近邻密度SVM不平衡数据集分类算法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《一种新的近邻密度SVM不平衡数据集分类算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为验证本文算法的可行性，用Matlab2014a编写程序，选人工数据集Dataset和UCI数据集为实验对象，将测试结果与文献[9]主动学习SMOTE的非均衡数据分类（Active learning SMOTE Support Vector Machine，ALSMOTE-SVM）算法、文献[12]中WSVM算法和SVM算法比较。图2所示Dataset是密度不均匀的人工数据集，包含1018个数据点。从UCI库中选取不平衡率较轻Iris、Glass Identification数据集和不平衡率较高Spectf Heart、Ecoli数据集进行实验，如表1所示。SVM分类器参数设置:选取高斯函数为核函数，核宽度=1，惩罚因子C=1000，初始α=0.2，实验迭代运行20次，4种算法在5个数据集上运行得到G-mean、F-measure结果如表2所示。在人工数据集Dataset、Glass Identification和Spectf Heart上运行4种算法，得AUC变化曲线如图3所示。