一、成果概述

本发明涉及一种基于自适应 ramp 损失函数的耐噪在线多分类核学习算法。通过引入核函数构造非线性多分类器，针对基于批处理技术的多分类方法无法高效处理数据流而现有在线学习算法无法有效控制噪声样本的问题，设计该耐噪在线多分类核学习算法。该方法能够减少参与模型计算的支持向量的数量，有效控制噪声影响，显著提高模型更新效率，提高噪声数据多分类问题的分类精度，可应用于信用卡欺诈、异常检测等实际应用问题。

二、技术特点及技术指标

通过引入 ramp 损失函数、自适应参数设置策略，建立在线核学习多分类器，可实现对数据流的在线预测。该方法采用自适应 ramp 损失函数使得分类器处理更少的支持向量，具有更好的稀疏性，同时能有效控制噪声对分类器的影响，具有更好的鲁棒性(耐噪性)。与经典在线学习算法Perceptron 和 Pegesos 相比，所提出算法平均提升分类精度 5%。

三、应用领域

本发明实现了对数据流的在线预测，能够灵活处理数据流场景下的多分类问题，可应用于信用卡欺诈、异常检测等实际应用。

四、投入需求

 本发明成果属于基础算法类发明，已完成软件包的封装，产品投入使用需要与实际应用需求结合，以此为核心模块进一步开发应用软件，以对接需求。仅需要投入工作站 1 台。