基于LGC算法的代價敏感分類方法研究.pdf

1、現(xiàn)實生活的許多問題中，存在著錯分類代價不一致的情況，尤其是在金融、醫(yī)療等領域。在這類問題中，相對較高的全局分類精度而言，更小的全局錯分類代價成為分類器的主要訓練目標，因此傳統(tǒng)的半監(jiān)督分類方法不再適用。代價敏感的學習方法所具有的代價敏感特性，能夠反映錯分類代價不一致的情況，成為解決這類問題的主要手段。
　　半監(jiān)督學習方法，只需要少量的已知信息和較為嚴格的假設，即可有效地完成更符合現(xiàn)實生活的學習任務。本文中充分的利用了大量的無標簽數(shù)據(jù)

2、，將半監(jiān)督學習和代價敏感學習結合起來，提出了一種犧牲可以接受范圍內的分類精度，以換取盡可能小的全局代價的半監(jiān)督分類方法，賦予其代價敏感的特性，有效地幫助解決錯分類代價不一致的分類問題。
　　在這篇文章中，首先，通過對代價敏感學習算法的研究與分析，將代價敏感的學習方法分成為數(shù)據(jù)層面上的處理和算法層面上的思想，并且對提出這種分類方式的依據(jù)做了詳細的闡述。其次，提出了代價敏感的局部與全局一致性方法(Cost-Sensitive LGC，