计算机与数字工程
計算機與數字工程
계산궤여수자공정
COMPUTER & DIGITAL ENGINEERING
2010年
6期
29-31,134
,共4页
赵玲%陈磊琛%余小陆%张盛意
趙玲%陳磊琛%餘小陸%張盛意
조령%진뢰침%여소륙%장성의
支持向量机%K近邻%样本相似性
支持嚮量機%K近鄰%樣本相似性
지지향량궤%K근린%양본상사성
SVM-KNN分类算法是一种将支持向量机(SVM)分类和最近邻(NN)分类相结合的新分类方法.针对传统SVM分类器中存在的问题,该算法通过支持向量机的序列最小优化(SMO)训练算法对数据集进行训练,将距离差小于给定阈值的样本代入以每类所有的支持向量作为代表点的K近邻分类器中进行分类.在UCI数据集上的实验结果表明,该分类器的分类准确率比单纯使用SVM分类器要高,它在一定程度上不受核函数参数选择的影响,具有较好的稳健性.
SVM-KNN分類算法是一種將支持嚮量機(SVM)分類和最近鄰(NN)分類相結閤的新分類方法.針對傳統SVM分類器中存在的問題,該算法通過支持嚮量機的序列最小優化(SMO)訓練算法對數據集進行訓練,將距離差小于給定閾值的樣本代入以每類所有的支持嚮量作為代錶點的K近鄰分類器中進行分類.在UCI數據集上的實驗結果錶明,該分類器的分類準確率比單純使用SVM分類器要高,它在一定程度上不受覈函數參數選擇的影響,具有較好的穩健性.
SVM-KNN분류산법시일충장지지향량궤(SVM)분류화최근린(NN)분류상결합적신분류방법.침대전통SVM분류기중존재적문제,해산법통과지지향량궤적서렬최소우화(SMO)훈련산법대수거집진행훈련,장거리차소우급정역치적양본대입이매류소유적지지향량작위대표점적K근린분류기중진행분류.재UCI수거집상적실험결과표명,해분류기적분류준학솔비단순사용SVM분류기요고,타재일정정도상불수핵함수삼수선택적영향,구유교호적은건성.
