计算机应用研究
計算機應用研究
계산궤응용연구
APPLICATION RESEARCH OF COMPUTERS
2009年
4期
1253-1256
,共4页
二次规划%无监督聚类%权值%距离阈值%潜在支持向量
二次規劃%無鑑督聚類%權值%距離閾值%潛在支持嚮量
이차규화%무감독취류%권치%거리역치%잠재지지향량
支持向量机(support vector machine, SVM)具有良好的泛化性能而被广泛应用于机器学习及模式识别领域.然而,当训练集较大时,训练SVM需要极大的时间及空间开销.另一方面,SVM训练所得的判定函数取决于支持向量,使用支持向量集取代训练样本集进行学习,可以在不影响结果分类器分类精度的同时缩短训练时间.采用混合方法来削减训练数据集,实现潜在支持向量的选择,从而降低SVM训练所需的时间及空间复杂度.实验结果表明,该算法在极大提高SVM训练速度的同时,基本维持了原始分类器的泛化性能.
支持嚮量機(support vector machine, SVM)具有良好的汎化性能而被廣汎應用于機器學習及模式識彆領域.然而,噹訓練集較大時,訓練SVM需要極大的時間及空間開銷.另一方麵,SVM訓練所得的判定函數取決于支持嚮量,使用支持嚮量集取代訓練樣本集進行學習,可以在不影響結果分類器分類精度的同時縮短訓練時間.採用混閤方法來削減訓練數據集,實現潛在支持嚮量的選擇,從而降低SVM訓練所需的時間及空間複雜度.實驗結果錶明,該算法在極大提高SVM訓練速度的同時,基本維持瞭原始分類器的汎化性能.
지지향량궤(support vector machine, SVM)구유량호적범화성능이피엄범응용우궤기학습급모식식별영역.연이,당훈련집교대시,훈련SVM수요겁대적시간급공간개소.령일방면,SVM훈련소득적판정함수취결우지지향량,사용지지향량집취대훈련양본집진행학습,가이재불영향결과분류기분류정도적동시축단훈련시간.채용혼합방법래삭감훈련수거집,실현잠재지지향량적선택,종이강저SVM훈련소수적시간급공간복잡도.실험결과표명,해산법재겁대제고SVM훈련속도적동시,기본유지료원시분류기적범화성능.
