在机器学习和数据挖掘领域,将类别错分代价的概念引入到分类器的设计中被称之为代价敏感学习。在代价敏感分类问题中,代价矩阵通常假设是已知的,矩阵中每一个元素的具体含义是把某一类误分成另一类的代价。加权最小二乘法是处理代价敏感分类问题的典型方法。分配合理的权重到不同类别会大大提高分类模型的分类能力。然而在实际问题里,我们仅知这些权重依赖于代价矩阵,但很少见到如何根据代价矩阵确定这些权重。本文研究了一种ELM的加权最小二乘模型,它基于遗传算法从代价矩阵确定训练样本的权重。本文主要完成了以下工作:(1)研究了一种ELM的加权最小二乘模型,它基于遗传算法从代价矩阵确定训练样本的权重。代价敏感分类器能处理不平衡分类问题,同时能大大降低平均误分类代价。不同的权重对分类器影响不一样。分配合理的权重到不同类别将大大提高分类器的分类能力。实验结果表明,遗传算法能解决本文的研究问题。对于不同的数据集,加权最小二乘模型的总代价是近似最小的且得到与其对应的训练样本的权重。(2)研究了加权最小二乘模型中的代价矩阵与权重之间的关系。实验结果表明,就二分类和三分类而言,代价矩阵中某一列各个数字相加的代价越大,那么某类所对应的权重越大。原因是,某一列各个数字相加的代价越大,那么其它类误分成该类的代价就越大;权重越大,让分类边界远离该类,使得该类生存空间增大,从而提高被分配的样本落在该类的概率。同时,遗传算法的随机性对该结论影响不大。(3)用加权最小二乘模型的平均总代价与代价敏感ELM的总代价作比较。实验显示,就总代价的大小作为指标,加权最小二乘模型的平均总代价都比代价敏感ELM的总代价小。(4)用加权最小二乘模型的平均总代价与代价敏感朴素贝叶斯模型的总代价作比较。实验结果表明,就总代价的大小作为指标,加权最小二乘模型的平均总代价都优于代价敏感朴素贝叶斯模型的总代价。模型分析与实验结果表明了方法的有效性。进一步地比较显示,以总代价的大小作为评价指标,加权最小二乘模型远优于现有的代价敏感ELM和代价敏感朴素贝叶斯模型。同时,代价矩阵中某一列各个数字相加的代价越大,那么某类所对应的权重越大。