ScholarMate
English简体中文繁體中文
客服热线:400-1616-289
登录注册
期刊论文

具有Fisher一致性的代价敏感Boosting算法

曹莹; 苗启广; 刘家辰; 高琳西安电子科技大学
软件学报2013-11-15
6阅读
引用收藏
分享

摘要

AdaBoost是一种重要的集成学习元算法,算法最核心的特性"Boosting"也是解决代价敏感学习问题的有效方法.然而,各种代价敏感Boosting算法,如AdaCost、AdaC系列算法、CSB系列算法等采用启发式策略,向AdaBoost算法的加权投票因子计算公式或权值调整策略中加入代价参数,迫使算法聚焦于高代价样本.然而,这些启发式策略没有经过理论分析的验证,对原算法的调整破坏了AdaBoost算法最重要的Boosting特性。AdaBoost算法收敛于贝叶斯决策,与之相比,这些代价敏感Boosting并不能收敛到代价敏感的贝叶斯决策.针对这一问题,研究严格遵循Boosting理论框架的代价敏感Boosting算法.首先,对分类间隔的指数损失函数以及Logit损失函数进行代价敏感改造,可以证明新的损失函数具有代价意义下的Fisher一致性,在理想情况下,优化这些损失函数最终收敛到代价敏感贝叶斯决策;其次,在Boosting框架下使用函数空间梯度下降方法优化新的损失函数得到算法AsyB以及AsyBL.二维高斯人工数据上的实验结果表明,与现有代价敏感Boosting算法相比,AsyB和AsyBL算法能够有效逼近代价敏感贝叶斯决策;UCI数据集上的测试结果也进一步验证了AsyB以及AsyBL算法能够生成有更低错分类代价的代价敏感分类器,并且错分类代价随迭代呈指数下降.

学科与关键词

关键词
代价敏感学习贝叶斯决策Fisher一致性AdaBoost二分类 cost sensitive learningBayes decisionFisher consistentAdaBoostbinary classification
相关
加载中…

文献加载失败,请重试

重试

发表信息

论文状态
公开发表
期刊
软件学报
发表日期
2013-11-15
卷期
第 11 期
页码
2584-2596
成果收录
CHINAJOURNAL
资助标注
国家自然科学基金(61072109,61272280,41271447,61272195);新世纪优秀人才支持计划(NCET-12-0919);西安市科技局项目(CXY1341(6));中央高校基本科研业务费专项资金(K5051203020,K5051203001,K5051303016,K5051303018,K505131 00006)

作者

  • 曹

    曹莹 (第一作者)

  • 苗

    苗启广

查看全部 4 位作者收起作者
  • 刘

    刘家辰

  • 高

    高琳

登录解锁更多功能

  • 收藏这篇,随时在“我的 · 收藏”找回
  • 认领你的成果,生成推广素材
  • 关注作者获取最新成果
  • 加入项目组、协同写作
注册 / 登录

产品服务

  • 科研之友
  • 创新城
  • 科创云

服务支持

  • 帮助中心
  • 隐私政策
  • 服务条款

联系方式

在线客服:【】
客服热线:400-1616-289
电子邮箱:support@scholarmate.com

关注或下载科研之友

微信二维码
微信公众号
客户端下载二维码
下载客户端
科研成果科研人员科研机构科研动态爱瑞思软件

©2026 深圳市科研之友网络服务有限公司

公安备案图标粤公网安备 44030502000213
粤ICP备 16046710 号粤B2-20110417