论文部分内容阅读
在现实问题中，相似性学习的样本对存在不平衡现象，即相似性样本对的数量会远小于不相似性样本对的数量．针对此问题，文中提出两种样本对构造方法——不相似K近邻-相似K近邻（DKNN—SKNN）和不相似K近邻-相似K远邻（DKNN—SKFN）．运用这两种方法可有针对性地选择相似性学习样本对，不仅可加快支持向量机的训练过程，而且在一定程度上解决样本对之间的不平衡问题．在多个数据集上进行文中方法和经典的重采样方法的对比实验，结果表明DKNN—SKNN和DKNN—SKFN具有良好性能．