主题 / Topic：A Projection Multi-Objective SVM Method for Multi-Class Classification
时间 / Time：3月31号（周五）｜March 31 (Friday), 2：00 - 3：30 PM
地点 / Venue：文波207｜Room 207，WENBO
主讲 / Speaker
刘玲博士，北京工业大学助理教授，分别于2016年、2012年在马德里卡洛斯三世大学，获得数学工程博士、硕士学位（数据挖掘专业）；刘博士擅长于数据挖掘，机器学习，分类，支持向量机，大数据等方面的研究。
研究领域 / Research Interests
数据挖掘，机器学习，分类，支持向量机，大数据，运筹
Data Mining, Machine Learning, Sorting, SVM (support vector machine), Big Data, Operations Research
摘要 / Abstract
支持向量机在机器学习领域被广泛地用来处理分类问题。最初的支持向量机用于处理只包含两类的分类问题。对于包含多类（多于两类）的分类问题，学者们提出了各种各样的单目标函数的支持向量机模型。这些单目标函数的支持向量机可以分为两种：all-together和两类支持向量机的组合。但是，绝大多数的这些单目标函数的支持向量机既没有考虑不同分类错误可能具有不同的分类代价，也没有考虑决策者的主管偏好。面对这些问题，有学者提出了多目标函数的多类支持向量机。通过求解一组大型的SOCPs，这些多目标函数的多类支持向量机给予我们一些弱帕累托最优解决方案。当我们遇到很多类的分类问题时，这些多目标函数的多类支持向量机将变得无法实际操作，因为完成它我们需要付出非常高的计算成本。在这篇文章中，我们提出一种新的多目标函数的多类支持向量机。我们称这种新的多目标函数的多类支持向量机为PM。PM通过适当的映射函数工作在一个比对象空间更高纬度的空间。对PM，我们理论分析和描述了它的帕累托最优解。正因为如此，我们在 PM进行多类问题分类时，可以减少大量的计算成本并得到可靠的分类精度。
