總體錯誤率與孿生極端學習機.pdf

1、總體錯誤率（TER）在處理多類分類問題中采用傳統(tǒng)的一對余的學習方法，導致在訓練過程中因多次計算而浪費不必要的時間；同時也可能對數據一類對多類的劃分產生不平衡的數據集從而對實驗精度產生影響。因此本文提出了專門針對多類分類問題的新算法：多類分類總體錯誤率（MTER）。多類分類總體錯誤率以極端學習機的一致逼近性為基礎，對多類分類問題的總體錯誤率進行了改進：用一種統(tǒng)一的最優(yōu)化模型分別計算多類分類樣本中每一類的總體錯誤率，既可以避免多次計算中不必

2、要的計算步驟從而節(jié)約時間，同時把各個類別的數據集統(tǒng)一劃分，分別計算而不是一類對多類的不平衡數據從而避免產生不平衡的數據，具有很好的優(yōu)越性。實驗結果證明了多類分類總體錯誤率（MTER）算法的優(yōu)越性。
　　孿生參數間隔支持向量機（TPMSVM）在模型運算過程中需要對二次規(guī)劃模型進行計算，比較復雜耗時。針對這一缺點，本文提出了孿生參數間隔極端支持向量機（TPMESVM）。TPMESVM利用極端學習機的一致逼近性的優(yōu)點，運用到分類問題的最