.png){kind=icon}
返回
Scaling Up ROC-Optimizing Support Vector Machines
.png){kind=icon}
PRE
AI
DOI：10.1002/sta4.70129.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
ROC-SVM方法最初由Rakotomamonjy（2004）提出，它直接最大化ROC曲线下的面积（AUC），并在类别不平衡条件下成为传统二分类的一种有吸引力的替代方法。然而，其实际应用受限于高昂的计算成本，因为训练过程需要评估所有成对项。为克服这一限制，我们开发了一种可扩展的ROC-SVM变体，利用不完整的U统计量，从而显著降低计算复杂度。我们进一步通过低秩核近似扩展该框架至非线性分类，使其能够在再生核希尔伯特空间中实现高效训练。理论分析建立了误差界以证明所提近似的合理性，而在合成及真实数据集上的实验结果表明，所提出的方法在AUC性能上可与原始ROC-SVM相媲美，同时训练时间大幅减少。
Keyword:
imbalanced classification
incomplete U-statistics
Nystr & ouml
m approximation
receiver operating characteristic curve
support vector machines
期刊
S
IF:
0.8
论文数:
59
被引数:
655
机构
引用论文
.png){kind=icon}
分享收藏分享收藏分享收藏分享收藏 没有更多内容
没有更多内容