计算机工程与应用
計算機工程與應用
계산궤공정여응용
COMPUTER ENGINEERING AND APPLICATIONS
2011年
2期
136-138
,共3页
张珍珍%董才林%陈增照%何秀玲
張珍珍%董纔林%陳增照%何秀玲
장진진%동재림%진증조%하수령
密度聚类%SVM算法%快速分类%大数据集
密度聚類%SVM算法%快速分類%大數據集
밀도취류%SVM산법%쾌속분류%대수거집
针对SVM在对大规模数据分类时求解规模过大的问题,提出了一种缩减数据集以提高训练速度的方法.该算法的第一步利用基于密度的方法大致定位能代表某个局域的质点,然后用SVM训练缩减后的数据得到一组支持向量,第二步的训练数据由支持向量以及其所代表的样本点构成.仿真实验证明该算法在保证分类准确率的情况下能有效地提高分类速度.
針對SVM在對大規模數據分類時求解規模過大的問題,提齣瞭一種縮減數據集以提高訓練速度的方法.該算法的第一步利用基于密度的方法大緻定位能代錶某箇跼域的質點,然後用SVM訓練縮減後的數據得到一組支持嚮量,第二步的訓練數據由支持嚮量以及其所代錶的樣本點構成.倣真實驗證明該算法在保證分類準確率的情況下能有效地提高分類速度.
침대SVM재대대규모수거분류시구해규모과대적문제,제출료일충축감수거집이제고훈련속도적방법.해산법적제일보이용기우밀도적방법대치정위능대표모개국역적질점,연후용SVM훈련축감후적수거득도일조지지향량,제이보적훈련수거유지지향량이급기소대표적양본점구성.방진실험증명해산법재보증분류준학솔적정황하능유효지제고분류속도.
