Resumen

La máquina de vectores de soporte de una sola clase (OCSVM) es uno de los algoritmos más populares en el problema de clasificación de una sola clase, pero tiene una desventaja obvia: es sensible al ruido. Para resolver este problema, se introduce el grado de membresía difuso en OCSVM, lo que hace que las muestras con diferente importancia tengan diferentes influencias en la determinación del hiperplano de clasificación y mejora la robustez. En este artículo, se propone un nuevo método de cálculo del grado de membresía y se introduce en la máquina de vectores de soporte de una sola clase con múltiples núcleos difusos (FMKOCSVM). El núcleo combinado se utiliza para medir la similitud local entre las muestras, y luego, se determina la importancia de las muestras en función de la similitud local entre las muestras de entrenamiento, para así determinar el grado de membresía y reducir el impacto del ruido. La membresía propuesta solo requiere datos positivos en el proceso de cálculo, lo cual es consistente con

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Máquina de vectores de soporte; Clasificación de una clase; Grado de pertenencia difuso; Hiperplano de clasificación; Similitud local; Valores atípicos
• Keywords:Support vector machine; One-class classification; Fuzzy membership degree; Classification hyperplane; Local similarity; Outliers