1、隨著人工智能、大數(shù)據(jù)等技術(shù)的快速發(fā)展，機(jī)器學(xué)習(xí)迎來了發(fā)展的春天。機(jī)器學(xué)習(xí)是一門多領(lǐng)域的交叉學(xué)科，是人工智能研究的核心領(lǐng)域，不管是在工業(yè)界，還是在學(xué)術(shù)界都大家研究的熱點(diǎn)。機(jī)器學(xué)習(xí)理論主要目的是設(shè)計出一些算法使計算機(jī)具備自我學(xué)習(xí)的能力，通過訓(xùn)練集獲取模型，并利用此模型對未知的訓(xùn)練集樣本進(jìn)行預(yù)測，在很多領(lǐng)域已經(jīng)達(dá)到甚至超越了人類的水平。在傳統(tǒng)的機(jī)器學(xué)習(xí)技術(shù)中，都是在假設(shè)樣本具有相同的類分布，且兩類錯誤代價相同的前提下的，而實(shí)際應(yīng)用中數(shù)據(jù)往往是

2、不平衡分布的，錯誤代價也是存在著天壤之別的。為了推動機(jī)器學(xué)習(xí)技術(shù)的進(jìn)一步發(fā)展，我們必須重新審視傳統(tǒng)機(jī)器學(xué)習(xí)中的局限性，而衡量機(jī)器學(xué)習(xí)算法的優(yōu)劣的標(biāo)準(zhǔn)是我們優(yōu)先考慮的方向，也就是ROC分析技術(shù)。目前ROC分析技術(shù)已經(jīng)廣泛應(yīng)用到了生物醫(yī)學(xué)、信號處理、機(jī)器學(xué)習(xí)等領(lǐng)域，但主要應(yīng)用在兩類問題中，在多類問題上，ROC面臨著高維空間、表示困難、難以理解等問題。
　　本文的主要目標(biāo)是提出一種新的三分類分類器性能比較方法，用ROC曲面下的體積來比較

3、三分類分類器的性能，從而有效的拓展ROC分析技術(shù)在三分類問題上的應(yīng)用。本文需要解決的主要問題是實(shí)現(xiàn)數(shù)據(jù)的降維、形成ROC曲面以及求得ROC曲面下體積的大小。本文以支持向量機(jī)為分類工具，采用“一對余”的分類方式對三類數(shù)據(jù)進(jìn)行分類，得到三個一維的數(shù)值，然后以三個分類結(jié)果為坐標(biāo)軸建立空間坐標(biāo)系，然后在此基礎(chǔ)上進(jìn)行數(shù)據(jù)的降維，先將數(shù)據(jù)投影到一個三維空間平面，再將三維空間平面上的數(shù)據(jù)映射到了二維空間。通過直角支架以一定的步數(shù)遍歷二維空間上的樣本點(diǎn)

4、，支架每到一個位置都會得到一個三維的點(diǎn)，所有的這些點(diǎn)就構(gòu)成了所要三維ROC曲面。最后使用分塊求體積的方式求得ROC曲面下的體積，將ROC曲面分成若干個小的三棱柱，每一個小的三棱柱又可以分為三個小的三棱錐。
　　最后，本文通過仿真數(shù)據(jù)集實(shí)驗(yàn)和真實(shí)數(shù)據(jù)集實(shí)驗(yàn)，結(jié)果充分驗(yàn)證了本文方法的可靠性和優(yōu)越性，和傳統(tǒng)的三類ROC分析技術(shù)相比，本文方法避免了空間的高維化，具有容易表達(dá)，易于理解等優(yōu)點(diǎn)，和非參數(shù)法相比，本文所用體積法求VUS具有計算復(fù)