《表4 6种不平衡数据集下运用各类算法分类的效果》

  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

《针对不平衡数据的PSO-DEC-IFSVM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

对于6种不同不平衡数据集的3种评价机制的实验对比效果如表4所示。分析表4可知：（1）在不平衡数据集下，传统的SVM算法效果最差，甚至有的数据集中G?mean的值为0，特别是样本集严重失衡时，这是因为分类超平面向正类样本方向发生了严重的偏移，其他算法作为SVM算法的改进形式，使分类超平面偏回负类样本方向，使得分类效果获得提升。（2）传统的DEC算法仅考虑到了样本平衡性的影响，没有考虑样本中噪声或野点影响；相反传统的FSVM算法仅考虑到了样本噪声或野点影响，而忽略了样本平衡性的影响。故在不平衡数据集中传统的DEC与FSVM算法的分类效果提升不是很明显，特别是SEN与G?mean两个评价机制较低，即这两种算法对于分类超平面的向负类偏移影响较小。（3) DEC?FSVM算法将传统的DEC与FSVM方式相结合，融合了两种算法的优点，分类效果得到进一步提升，尤其是SEN或G?mean。（4) DEC?FSVM?Ju算法是在DEC?FSVM算法基础上进行改进，相比DEC?FSVM算法，其分类效果亦有提升，这是因为在设置模糊隶属度函数时DEC?FSVM算法仅考虑了样本到达类中心的距离，而DEC?FSVM?Ju算法考虑样本到类中心距离的同时还考虑了样本的K?近邻域的密度。（5）同样地，DEC?IFSVM作为DEC?FSVM?Ju的改进算法，分类效果亦有提升，这是因为DEC?IFSVM算法除了考虑样本到类中心的距离以及样本的K?近邻域密度外，还考虑到了样本的信息量，在设计模糊隶属度函数时给予样本不同的权值，这样可以赋予支持向量较大的权值，故分类效果进一步提升。（6）对比PSO优化前后的DEC?IFSVM算法可知，经过PSO参数优化后的DEC?IFSVM算法，相比优化前的算法对6种不平衡数据集在分类器的分类效果均有较大提升。