论文部分内容阅读
针对标记样本少的不平衡数据,提出一种基于证据理论和biased-SVM的不平衡数据半监督分类方法。首先采用随机子空间方法得到不同的视图;然后在各个视图上利用初始的标记样本集训练biased-SVM模型,并将其应用于未标记样本集,从而得到未标记样本的类概率输出;最后引入证据理论进行信息融合来提高标注的稳定性。通过在一些公共数据集上的实验结果表明,与其他方法相比,在不同的标记样本率下,所提方法均具有较高的数据集整体的G-mean值和小类的F-value值,并具有较高的稳定性。