多目标线性规划分类方法业绩分析与改进研究

• 作 者: 朱梅红
• 机 构: 中国科学院研究生院
• 出 处: 中国科学院研究生院(本部) 中国科学院研究生院 中国科学院大学
• 发表日期: 2009年期
• 关键词: 数据处理

本文首先分析了MCLP的特性，进而提出了相应的业绩改进方法。主要是从数据入手，通过对数据的处理，使MCLP有良好的业绩表现。　　
首先，对MCLP的分类精度、稳定性和泛化能力进行了理论分析，并将其与LDA和C5.0进行了实证比较。实验结果表明，训练集样本量很小时，MCLP的几个特性都不够好；但当训练集样本量增大时，三个特性都明显变好，甚至优于C5.0和LDA。　　
其次，从理论和直观上分析了不平衡数据对MCLP业绩的影响机制。实验结果表明，数据不平衡确实对MCLP的业绩产生影响，影响程度取决于训练集内正类比重大小、训练集样本量大小和使用的业绩评价标准。　　
基于第一方面的分析，研究了组合分类器方法对MCLP的业绩改进的效果。分析了标准的bagging技术对MCLP业绩改进的效果；提出了嵌入训练集权重的MCLP模型；分析了标准的Adaboost方法在一些数据集上的不良表现及原因；针对噪音较严重的数据集，提出了相应的平滑噪音的smooth boosting方法；针对类间交叠严重且不平衡的数据集，提出了相应的sequential bagging技术。　　
基于MCLP在不平衡数据集上的表现，研究了不平衡数据集的各种再抽样技术对MCLP的有效性。紧密结合MCLP在数据集上的分类特点，分析了随机的下抽样技术，和改进的下抽样技术的有效性以及存在的问题；对随机的上抽样技术和改进的下抽样技术进行组合，并验证了其有效性；对所有再抽样技术的业绩进行比较评价，并分析了它们对MCLP的作用及作用机制。