孟 芸， 王 喆（华东理工大学计算机科学与工程系，上海 200237）

矩阵型多类代价敏感分类器模型

孟 芸， 王 喆
（华东理工大学计算机科学与工程系，上海 200237）

目前大部分分类器都是以分类正确率来衡量性能，这种评价标准都是基于理想情况下所有错误分类代价都是相同的。但实际生活中往往不同的错误分类会带来不同的损失，因此代价敏感学习成为模式识别中一个热点研究领域。本文将代价敏感思想与矩阵型学习机相结合，提出了一个矩阵型多类代价敏感分类器模型。通过与其他分类器在常用数据集上的对比实验证明，该方法降低了错误分类代价，提高了少数类或代价高类别的分类正确率，并可以在有效次内收敛，是一个有效且实用的方法。

模式识别；代价敏感；分类器设计

分类器设计是机器学习和模式识别领域重要的一部分。目前大多数分类模型都侧重于使用分类正确率来衡量一个算法的性能，并默认这种评价标准都是基于所有错误分类代价是相同的。但是实际生活中的分类问题，数据错误分类代价往往不相等［1-2］。比如，在门禁系统的家庭成员识别问题上，将一个家庭成员识别错误使其不能进入引起的代价远远小于将一个不属于家庭成员的陌生人误识别使其进入房屋带来的损失。对于这类错误分类代价不同的情况，如在信用卡欺诈检测、医疗、网络入侵检测等领域，仅使用传统的代价不敏感分类器并不能达到很好的分类效果［3］。……