计算机应用
計算機應用
계산궤응용
COMPUTER APPLICATION
2012年
2期
419-424
,共6页
支持向量机%分类%大规模数据集%核向量机%最小包围球
支持嚮量機%分類%大規模數據集%覈嚮量機%最小包圍毬
지지향량궤%분류%대규모수거집%핵향량궤%최소포위구
支持向量机(SVM)作为一种有效的模式分类方法,当数据集规模较大时,学习时间长、泛化能力下降；而核向量机(CVM)分类算法的时间复杂度与样本规模无关,但随着支持向量的增加,CVM的学习时间会快速增长.针对以上问题,提出一种CVM与SVM相结合的二阶段快速学习算法(CCS),首先使用CVM初步训练样本,基于最小包围球(MEB)筛选出潜在核向量,构建新的最有可能影响问题解的训练样本,以此降低样本规模,并使用标记方法快速提取新样本；然后对得到的新训练样本使用SVM进行训练.通过在6个数据集上与SVM和CVM进行比较,实验结果表明,CCS在保持分类精度的同时训练时间平均减少了30％以上,是一种有效的大规模分类学习算法.
支持嚮量機(SVM)作為一種有效的模式分類方法,噹數據集規模較大時,學習時間長、汎化能力下降；而覈嚮量機(CVM)分類算法的時間複雜度與樣本規模無關,但隨著支持嚮量的增加,CVM的學習時間會快速增長.針對以上問題,提齣一種CVM與SVM相結閤的二階段快速學習算法(CCS),首先使用CVM初步訓練樣本,基于最小包圍毬(MEB)篩選齣潛在覈嚮量,構建新的最有可能影響問題解的訓練樣本,以此降低樣本規模,併使用標記方法快速提取新樣本；然後對得到的新訓練樣本使用SVM進行訓練.通過在6箇數據集上與SVM和CVM進行比較,實驗結果錶明,CCS在保持分類精度的同時訓練時間平均減少瞭30％以上,是一種有效的大規模分類學習算法.
지지향량궤(SVM)작위일충유효적모식분류방법,당수거집규모교대시,학습시간장、범화능력하강；이핵향량궤(CVM)분류산법적시간복잡도여양본규모무관,단수착지지향량적증가,CVM적학습시간회쾌속증장.침대이상문제,제출일충CVM여SVM상결합적이계단쾌속학습산법(CCS),수선사용CVM초보훈련양본,기우최소포위구(MEB)사선출잠재핵향량,구건신적최유가능영향문제해적훈련양본,이차강저양본규모,병사용표기방법쾌속제취신양본；연후대득도적신훈련양본사용SVM진행훈련.통과재6개수거집상여SVM화CVM진행비교,실험결과표명,CCS재보지분류정도적동시훈련시간평균감소료30％이상,시일충유효적대규모분류학습산법.
