论文部分内容阅读
随着人工智能、大数据等技术的快速发展,机器学习迎来了发展的春天。机器学习是一门多领域的交叉学科,是人工智能研究的核心领域,不管是在工业界,还是在学术界都大家研究的热点。机器学习理论主要目的是设计出一些算法使计算机具备自我学习的能力,通过训练集获取模型,并利用此模型对未知的训练集样本进行预测,在很多领域已经达到甚至超越了人类的水平。在传统的机器学习技术中,都是在假设样本具有相同的类分布,且两类错误代价相同的前提下的,而实际应用中数据往往是不平衡分布的,错误代价也是存在着天壤之别的。为了推动机器学习技术的进一步发展,我们必须重新审视传统机器学习中的局限性,而衡量机器学习算法的优劣的标准是我们优先考虑的方向,也就是ROC分析技术。目前ROC分析技术已经广泛应用到了生物医学、信号处理、机器学习等领域,但主要应用在两类问题中,在多类问题上,ROC面临着高维空间、表示困难、难以理解等问题。本文的主要目标是提出一种新的三分类分类器性能比较方法,用ROC曲面下的体积来比较三分类分类器的性能,从而有效的拓展ROC分析技术在三分类问题上的应用。本文需要解决的主要问题是实现数据的降维、形成ROC曲面以及求得ROC曲面下体积的大小。本文以支持向量机为分类工具,采用“一对余”的分类方式对三类数据进行分类,得到三个一维的数值,然后以三个分类结果为坐标轴建立空间坐标系,然后在此基础上进行数据的降维,先将数据投影到一个三维空间平面,再将三维空间平面上的数据映射到了二维空间。通过直角支架以一定的步数遍历二维空间上的样本点,支架每到一个位置都会得到一个三维的点,所有的这些点就构成了所要三维ROC曲面。最后使用分块求体积的方式求得ROC曲面下的体积,将ROC曲面分成若干个小的三棱柱,每一个小的三棱柱又可以分为三个小的三棱锥。最后,本文通过仿真数据集实验和真实数据集实验,结果充分验证了本文方法的可靠性和优越性,和传统的三类ROC分析技术相比,本文方法避免了空间的高维化,具有容易表达,易于理解等优点,和非参数法相比,本文所用体积法求VUS具有计算复杂度低的优点。