代价敏感大间隔分布学习机

来源：计算机研究与发展杂志2016年第9期北京时间：

作者：周宇航,周志华,

摘要：在现实生活中的很多应用里，对不同类别的样本错误地分类往往会造成不同程度的损失，这些损失可以用非均衡代价来刻画.代价敏感学习的目标就是最小化总体代价.提出了一种新的代价敏感分类方法——代价敏感大间隔分布学习机(cost-sensitivelargemargindistributionmachine,CS-LDM).与传统的大间隔学习方法试图最大化“最小间隔”不同，CS-LDM在最小化总体代价的同时致力于对“间隔分布”进行优化，并通过对偶坐标下降方法优化目标函数，以有效地进行代价敏感学习.实验结果表明，CS-LDM的性能显著优于代价敏感支持向量机CS-SVM，平均总体代价下降了24%.

关键词：代价敏感学习, 间隔分布, 支持向量机, 表示定理, 对偶坐标下降法,