解放军理工大学学报(自然科学版)
解放軍理工大學學報(自然科學版)
해방군리공대학학보(자연과학판)
JOURNAL OF PLA UNIVERSITY OF SCIENCE AND TECHNOLOGY
2010年
1期
31-36
,共6页
缪志敏%胡谷雨%赵陆文%陈彦德
繆誌敏%鬍穀雨%趙陸文%陳彥德
무지민%호곡우%조륙문%진언덕
单分类%半监督学习%支持向量数据描述%集成学习
單分類%半鑑督學習%支持嚮量數據描述%集成學習
단분류%반감독학습%지지향량수거묘술%집성학습
为了进一步提高分类器的识别精度,基于支持向量数据描述SVDD(support vector data description)和集成学习优点的Ensemble-SVDD半监督学习算法,首先为少量有标记数据的各类数据分别建立SVDD分类器,然后对无标记样本进行测试,利用已识别的无标记样本对已建立的分类面进行调整、优化.被识别出来的无标记数据和有标记数据集合在一起训练一个基分类器,多个基分类器集成在一起投票对测试样本进行测试.在5个UCI数据集上进行实验表明,本算法与tri-training算法相比平均识别精度高3%,与仅采用纯有标记数据的SVDD分类器相比,平均识别精度高6.4%,验证了该算法的有效性.
為瞭進一步提高分類器的識彆精度,基于支持嚮量數據描述SVDD(support vector data description)和集成學習優點的Ensemble-SVDD半鑑督學習算法,首先為少量有標記數據的各類數據分彆建立SVDD分類器,然後對無標記樣本進行測試,利用已識彆的無標記樣本對已建立的分類麵進行調整、優化.被識彆齣來的無標記數據和有標記數據集閤在一起訓練一箇基分類器,多箇基分類器集成在一起投票對測試樣本進行測試.在5箇UCI數據集上進行實驗錶明,本算法與tri-training算法相比平均識彆精度高3%,與僅採用純有標記數據的SVDD分類器相比,平均識彆精度高6.4%,驗證瞭該算法的有效性.
위료진일보제고분류기적식별정도,기우지지향량수거묘술SVDD(support vector data description)화집성학습우점적Ensemble-SVDD반감독학습산법,수선위소량유표기수거적각류수거분별건립SVDD분류기,연후대무표기양본진행측시,이용이식별적무표기양본대이건립적분류면진행조정、우화.피식별출래적무표기수거화유표기수거집합재일기훈련일개기분류기,다개기분류기집성재일기투표대측시양본진행측시.재5개UCI수거집상진행실험표명,본산법여tri-training산법상비평균식별정도고3%,여부채용순유표기수거적SVDD분류기상비,평균식별정도고6.4%,험증료해산법적유효성.
