论文部分内容阅读
传统机器学习中通常隐含假设所研究问题是类别平衡的，气象预报中预测灾害天气时就不满足这个假设，这时往往需要预测重要而稀少的正类（少数类）。传统机器学习以精度最大化为目标，在遇到不平衡类别问题时，容易训练出把所有实例都分为反类（多数类）的平庸的分类器。支持向量数据描述是从支持向量机（SVM）发展而来的基于核的机器学习方法，只使用一类样本就可以工作，适合于不平衡类别。以铜川暴雨预测作为试验对象，对SVM和支持向量数据描述（SVDD）进行了对比试验。试验结果表明对于这个不平衡类别问题SVDD具有优势。