计算机仿真
計算機倣真
계산궤방진
COMPUTER SIMULATION
2009年
7期
164-167
,共4页
免疫算法%支持向量机%文本分类
免疫算法%支持嚮量機%文本分類
면역산법%지지향량궤%문본분류
在文本分类中,应用支持向量机(SVM)算法能使分类在小样本的条件下具有良好的泛化能力.但支持向量机的参数取值决定了其学习性能和泛化能力.为提高支持向量机算法的性能,提出了一种采用免疫算法对支持向量机参数进行优化的文本分类算法(IA-SVM).算法减少了对支持向量机参数选择的盲目性,提高了SVM的预测精度.实验表明,IA-SVM算法在文本分类问题上明显提高了分类正确牢,学习速度也有提高.
在文本分類中,應用支持嚮量機(SVM)算法能使分類在小樣本的條件下具有良好的汎化能力.但支持嚮量機的參數取值決定瞭其學習性能和汎化能力.為提高支持嚮量機算法的性能,提齣瞭一種採用免疫算法對支持嚮量機參數進行優化的文本分類算法(IA-SVM).算法減少瞭對支持嚮量機參數選擇的盲目性,提高瞭SVM的預測精度.實驗錶明,IA-SVM算法在文本分類問題上明顯提高瞭分類正確牢,學習速度也有提高.
재문본분류중,응용지지향량궤(SVM)산법능사분류재소양본적조건하구유량호적범화능력.단지지향량궤적삼수취치결정료기학습성능화범화능력.위제고지지향량궤산법적성능,제출료일충채용면역산법대지지향량궤삼수진행우화적문본분류산법(IA-SVM).산법감소료대지지향량궤삼수선택적맹목성,제고료SVM적예측정도.실험표명,IA-SVM산법재문본분류문제상명현제고료분류정학뢰,학습속도야유제고.