申请/专利权人：北京科技大学

申请日：2020-10-23

公开（公告）日：2024-04-12

公开（公告）号：CN112382382B

主分类号：G16H50/20

分类号：G16H50/20;G16H50/70;G06N20/20

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2021.03.09#实质审查的生效;2021.02.19#公开

摘要：本发明公开了一种代价敏感的集成学习分类方法及系统，该方法包括：获取样本数据集，并将样本数据集分成训练样本集和测试样本集；基于训练样本集对多个不同类型的分类器分别进行训练，并基于测试样本集对训练好的各分类器分别进行分类测试，得到各分类器的分类结果；基于各分类器的分类结果为每一分类器分配对应的权重；基于各分类器的权重，对各分类器进行加权集成，得到集成分类器；利用集成分类器对待测样本进行分类，得到相应的分类结果。本发明使集成学习模型具有各个基学习器的优点，弱化各个基学习器的缺点。并通过权重分配和调整集成学习的门限，改善了集成分类器的分类效果。

主权项：1.一种代价敏感的集成学习分类方法，其特征在于，所述方法包括：获取样本数据集，并将所述样本数据集分成训练样本集和测试样本集；基于所述训练样本集对多个不同类型的分类器分别进行训练，并基于所述测试样本集对训练好的各分类器分别进行分类测试，得到各分类器的分类结果；基于各分类器的分类结果为每一分类器分别分配对应的权重；基于各分类器的权重，对各分类器进行加权集成，得到集成分类器；利用所述集成分类器对待测样本进行分类，得到待测样本的分类结果；所述基于各分类器的分类结果为每一分类器分别分配对应的权重，包括：基于各分类器的分类结果，分别统计得到每一分类器的召回率Recall、准确率Accuracy以及精确率Precision；通过下列公式计算各分类器的评价指标C_cost： 其中，TP表示实际为正被预测为正的样本数量，TN表示实际为负被预测为负的样本的数量，FP表示实际为负但被预测为正的样本数量，FN表示实际为正但被预测为负的样本的数量，C_FN和C_FP均为预设的常数；对各分类器对应的C_cost进行归一化处理作为每一分类器各自的权重；所述C_FN的取值为300，所述C_FP的取值为1；所述多个不同类型的分类器包括：支持向量机、神经网络、决策树和逻辑回归模型。

全文数据：

权利要求：

百度查询： 北京科技大学 一种代价敏感的集成学习分类方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD