.png){kind=icon}
返回
Quadratic surface twin support vector machine for imbalanced data
.png){kind=icon}
OA
AI
DOI：10.1007/s13042-026-03059-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
二分类任务中类别不平衡问题给机器学习带来重大挑战。传统分类器通常难以准确捕捉少数类特征，导致模型存在偏差且预测性能不佳。本文提出了一种新颖方法，通过利用Universum点在二次孪生支持向量机模型中支持少数类。与传统的分类器不同，我们的模型采用二次曲面而非超平面进行二分类，从而在建模复杂决策边界时提供更大的灵活性。通过引入Universum点，本方法提升了不平衡数据集上的分类精度和泛化性能。我们生成了四个人工数据集以展示所提方法的灵活性。此外，通过在基准数据集上的实证评估验证了本方法的有效性，其性能优于常规分类器和不平衡分类的现有方法。
Keyword:
Binary classification
Quadratic support vector machine
Twin support vector machine
Class imbalance
Universum data
期刊
IF:
2.7
论文数:
3.2K
被引数:
5.6K
机构
引用论文
Quadratic Kernel-Free Least Square Twin Support Vector Machine for Binary Classification Problems
PREAI
分享收藏An Experimental Study With Imbalanced Classification Approaches for Credit Card Fraud Detection不平衡分类方法在信用卡欺诈检测中的实验研究.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容