[发明专利]一种基于AdaBoost的支持向量机集成学习方法

权利要求书

1.一种基于AdaBoost的支持向量机集成学习方法，其特征在于：含有以下步骤：

(一)初始化样本权重，选择加权SVM(W-SVM)构建弱分类器，对类不平衡问题进行分类；

(二)采用AdaBoost算法动态调整学习样本的权重，并根据弱分类器f_k(x)的精度确定弱分类器的权重α_k；

(三)通过交叉验证法确定弱分类器数量T，并将T个弱分类器集成为强分类器

2.根据权利要求1所述的一种基于AdaBoost的支持向量机集成学习方法，其特征在于：在步骤(一)中，初始化样本权重，选择W-SVM构建弱分类器，对类不平衡问题执行二分类任务。具体步骤为：初始化样本权重在训练样本集合上选择高斯核作为模型核函数，即k(x_i,x_j)＝exp(-‖x_i-x_j‖²/d)，训练W-SVM模型得到决策函数：利用决策函数预测测试样本x的标签：

y＝sign(f_k(x)) (1)

3.根据权利要求1所述的一种基于AdaBoost的支持向量机集成学习方法，其特征在于：步骤(二)中，采用AdaBoost算法动态调整学习样本的权重w_k,i，并根据分类精度确定弱分类器的权重α_k。具体步骤为：计算第k个弱分类器f_k(x)在训练集上的加权误差率为

即f_k(x)在训练数据集上的误差率e_k就是被f_k(x)误分样本的加权求和。

计算该弱分类器f_k(x)在集成分类器中的权重：

更新训练样本权重，学习第k+1个弱分类器时的样本权重为：

其中，为归一化因子。

4.根据权利要求1所述的一种基于AdaBoost的支持向量机集成学习方法，其特征在于：步骤(三)中，将多个弱分类器集成为强分类器的具体步骤为：根据集成策略，AdaBoost采用的是加权平均法，按照权重α_k组合各个弱分类器，得到

通过符号函数sign的作用，得到强分类器

其中T为迭代次数，通过交叉验证法确定。

本发明涉及一种基于AdaBoost的支持向量机集成学习方法。基于AdaBoost算法框架，该方法可实现样本权重的动态调整，进而深入挖掘样本分布信息。通过引入W-SVM模型构建弱分类器实现对类不平衡问题的分类。最后，通过集成策略将多个W-SVM弱分类器集成为强分类器，提升了预测模型的分类精度。