计算机研究与发展
計算機研究與髮展
계산궤연구여발전
JOURNAL OF COMPUTER RESEARCH AND DEVELOPMENT
2007年
12期
2072-2077
,共6页
流形学习方法%支撑向量机%等距特征映射%局部线性嵌入%分类
流形學習方法%支撐嚮量機%等距特徵映射%跼部線性嵌入%分類
류형학습방법%지탱향량궤%등거특정영사%국부선성감입%분류
提出了一种新的有监督流形学习方法,目的是提供将流形学习降维方法高效应用于有监督学习问题的全新策略.算法的核心思想是集成流形学习方法对高维流形结构数据的降维有效性与支撑向量机(SVM)在中小规模分类数据集上的优良特性实现高效有监督流形学习.算法具体实现步骤为:首先利用SVM在流形学习降维数据中选出对分类决策最重要的数据集,即支撑向量集;按标号返回可得到原空间的支撑向量集;在这个集合上再次使用SVM即可得到原空间的分类决策,从而完成有监督流形学习.在一系列人工与实际数据集上的实验验证了方法的有效性.
提齣瞭一種新的有鑑督流形學習方法,目的是提供將流形學習降維方法高效應用于有鑑督學習問題的全新策略.算法的覈心思想是集成流形學習方法對高維流形結構數據的降維有效性與支撐嚮量機(SVM)在中小規模分類數據集上的優良特性實現高效有鑑督流形學習.算法具體實現步驟為:首先利用SVM在流形學習降維數據中選齣對分類決策最重要的數據集,即支撐嚮量集;按標號返迴可得到原空間的支撐嚮量集;在這箇集閤上再次使用SVM即可得到原空間的分類決策,從而完成有鑑督流形學習.在一繫列人工與實際數據集上的實驗驗證瞭方法的有效性.
제출료일충신적유감독류형학습방법,목적시제공장류형학습강유방법고효응용우유감독학습문제적전신책략.산법적핵심사상시집성류형학습방법대고유류형결구수거적강유유효성여지탱향량궤(SVM)재중소규모분류수거집상적우량특성실현고효유감독류형학습.산법구체실현보취위:수선이용SVM재류형학습강유수거중선출대분류결책최중요적수거집,즉지탱향량집;안표호반회가득도원공간적지탱향량집;재저개집합상재차사용SVM즉가득도원공간적분류결책,종이완성유감독류형학습.재일계렬인공여실제수거집상적실험험증료방법적유효성.
