基于SVM的降维方法在三类ROC分析中的应用

doi:10.3969/j.issn.1006-2475.2016.07.010

计算机与现代化

基于SVM的降维方法在三类ROC分析中的应用

广东工业大学自动化学院，广东广州510006

收稿日期:2016-01-14 出版日期:2016-07-21 发布日期:2016-07-22
作者简介: 刘会河（1987-），男，湖北黄石人，广东工业大学自动化学院硕士研究生，研究方向：机器学习；通信作者:徐维超（1970-），男，山东青岛人，教授，研究方向：模式识别与智能系统；刘舜（1992-），男，广东肇庆人，硕士研究生，研究方向：机器学习。
基金资助:
国家自然科学基金资助项目（61271380）；广东省自然科学基金资助项目（S2012010009870,1414050001980）

Dimension Reduction Method Applying in Three-class ROC Analysis Based on SVM

School of Automation, Guangdong University of Technology, Guangzhou 510006, China

Received:2016-01-14 Online:2016-07-21 Published:2016-07-22

摘要/Abstract

摘要： ROC分析方法已在各个领域有了广泛的应用，但主要应用于两类问题。在三类问题的推广上面临着分析空间高维化，难以理解，表示困难，计算复杂度高等问题。本文基于SVM（支持向量机）分类方法，提出一种新的降维方法，并运用到三类ROC分析中，在避免了上述不足的同时，也继承了ROC分析方法在两类问题中的优点。

关键词: , 支持向量机, 降维, ROC, VUS

Abstract: ROC(Receiver Operating Characteristic) analysis method has been widely used in various fields, but it is mainly applied to two-class task. In the three-class task, it is difficult to show and understand, and the computation complexity is hardly to accept. This paper proposes a new dimension reduction method, which is based on SVM(Support Vector Machine) classifier, to exploit the ROC analysis method in three-class task, which avoids the above problems and inherits the advantages of ROC analysis method in two-class task.

Key words: , Support Vector Machine(SVM)； dimension reduction； ROC； VUS

刘会河，徐维超，刘舜. 基于SVM的降维方法在三类ROC分析中的应用[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2016.07.010.

LIU Hui-he， XU Wei-chao， LIU Shun. Dimension Reduction Method Applying in Three-class ROC Analysis Based on SVM[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2016.07.010.

参考文献

［1］ Mann H B, Whitney D R. On a test of whether one of two random variables is stochastically larger than the other［J］. The Annals of Mathematical Statistics, 1947,18(1):50-60.
［2］ Gibbons J D, Chakraborti S. Nonparametric Statistical Inference［M］. Springer Berlin Heidelberg, 2011.
［3］ Cortes C, Vapnik V. Support-vector networks［J］. Machine Learning, 1995,20(3):273-297. 
［4］ He X, Metz C E, Tsui B M W, et al. Three-class ROC analysis-A decision theoretic approach under the ideal observer framework［J］. IEEE Transactions on Medical Imaging, 2006,25(5):571-581.
［5］ He X, Frey E C. Three-class ROC analysis the equal error utility assumption and the optimality of three-class ROC surface using the ideal observer［J］. IEEE Transactions on Medical Imaging, 2006,25(8):979-986.
［6］ He X, Frey E C. The meaning and use of the volume under a three-class ROC surface (VUS)［J］. IEEE Transactions on Medical Imaging, 2008,27(5):577-588.
［7］ He X, Frey E C. An optimal three-class linear observer derived from decision theory［J］. IEEE Transactions on Medical Imaging, 2007,26(1):77-83.
［8］ Dreiseitl S, Ohno-Machado L, Binder M. Comparing three-class diagnostic tests by three way ROC analysis［J］. Medical Decision Making, 2000,20(3):323-331. 
［9］ Green D M, Swets J A. Signal Detection Theory and Psychophysics［M］. Huntington, New York: Robert E. Krieger Publishing Company, 1973.
［10］Bamber D. The area above the ordinal dominance graph and the area below the receiver operating character istic graph［J］. Journal of Mathematical Psychology, 1975,12(4):387-415.
［11］Lehmann E L. Nonparametrics: Statistical Methods Based on Ranks［M］. New York: McGraw-Hill, 1975.
［12］Nakas C T. Developments in ROC surface analysis and assessment of diagnostic markers in three-class classification problems［J］. Revstat-Statistical Journal, 2014,12(1):43-65.
［13］Ferri C, Hernández-Orallo J, Salido M A. Volume under the ROC Surface for Multi-class Problems［M］. Springer Berlin Heidelberg, 2003:108-120.
［14］邹洪侠,秦锋,程泽凯,等. 二类分类器的ROC曲线生成算法［J］. 计算机技术与发展, 2009,19(6):109-112.
［15］秦锋,杨波,程泽凯. 分类器性能评价标准研究［J］. 计算机技术与发展, 2006,16(10):85-88.

[1]	杨博, 庄毅. 基于AOA-MSVM的控制集群故障检测方法[J]. 计算机与现代化, 2023, 0(12): 112-116.
[2]	杨孙哲, 孙爱珍. 基于HSV颜色与LBP纹理特征的水稻氮素营养诊断[J]. 计算机与现代化, 2023, 0(07): 86-92.
[3]	申志, 李元 . 基于KPCA和SSA优化SVM的非线性过程故障检测#br#[J]. 计算机与现代化, 2023, 0(06): 15-20.
[4]	尹建丰, 卫鑫, 顾雄伟, 黄凯, 魏敏捷. 基于图像阈值优化及改进SVM的电表数字识别[J]. 计算机与现代化, 2023, 0(05): 106-110.
[5]	李静元, 张珂, 杨东裕. 基于雾计算的工业互联网安全数据访问方法[J]. 计算机与现代化, 2022, 0(12): 118-122.
[6]	刘锟, 曾曦, 邱梓珩, 陈周国, . 基于RoBERTa-WWM 和HDBSCAN的文本聚类算法[J]. 计算机与现代化, 2022, 0(03): 48-52.
[7]	徐惠, 铁治欣, 舒莹. 基于特征匹配的快速降维排序搜索方法[J]. 计算机与现代化, 2022, 0(02): 85-91.
[8]	赵延平, 王芳, 夏杨. 基于支持向量机的短文本分类方法[J]. 计算机与现代化, 2022, 0(02): 92-96.
[9]	赵聪慧, 冯庆胜. 基于DT-CWT和SVM的踏面旋转不变纹理提取算法[J]. 计算机与现代化, 2021, 0(12): 85-90.
[10]	陈春燕, 刘梦赤. 基于粒子群遗传算法的智能组卷策略[J]. 计算机与现代化, 2021, 0(08): 16-23.
[11]	陈翔, 邹庆年, 谢绍宇, 陈翠琼. 基于迁移学习策略的压板开关状态识别[J]. 计算机与现代化, 2021, 0(05): 120-126.
[12]	宋鑫, 樊志强, . 基于Laguerre 前向神经网络的信息服务性能建模方法 [J]. 计算机与现代化, 2021, 0(03): 1-6.
[13]	魏健, 赵红涛, 刘敦楠, 加鹤萍 . 基于集成模型的超短时负荷预测方法[J]. 计算机与现代化, 2021, 0(03): 12-17.
[14]	王文蔚, 肖军弼, 程鹏, 张悦. 基于SDN的DDoS攻击防御系统[J]. 计算机与现代化, 2021, 0(02): 117-121.
[15]	黄欣辰, 皋军, 黄豪杰. 基于PCA降维的成对约束半监督聚类集成[J]. 计算机与现代化, 2021, 0(01): 94-99.

基于SVM的降维方法在三类ROC分析中的应用

Dimension Reduction Method Applying in Three-class ROC Analysis Based on SVM

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价