计算机工程
計算機工程
계산궤공정
COMPUTER ENGINEERING
2008年
17期
28-30
,共3页
张宏达%王晓丹%白冬婴%刘倞源
張宏達%王曉丹%白鼕嬰%劉倞源
장굉체%왕효단%백동영%류경원
凸壳算法%支持向量机%集成
凸殼算法%支持嚮量機%集成
철각산법%지지향량궤%집성
为提高支持向量机(SVM)集成的训练速度,提出一种基于凸壳算法的SVM集成方法,得到训练集各类数据的壳向量,将其作为基分类器的训练集,并采用Bagging策略集成各个SVM.在训练过程中,通过抛弃性能较差的基分类器,进一步提高集成分类精度.将该方法用于3组数据,实验结果表明,SVM集成的训练和分类速度平均分别提高了266%和25%.
為提高支持嚮量機(SVM)集成的訓練速度,提齣一種基于凸殼算法的SVM集成方法,得到訓練集各類數據的殼嚮量,將其作為基分類器的訓練集,併採用Bagging策略集成各箇SVM.在訓練過程中,通過拋棄性能較差的基分類器,進一步提高集成分類精度.將該方法用于3組數據,實驗結果錶明,SVM集成的訓練和分類速度平均分彆提高瞭266%和25%.
위제고지지향량궤(SVM)집성적훈련속도,제출일충기우철각산법적SVM집성방법,득도훈련집각류수거적각향량,장기작위기분류기적훈련집,병채용Bagging책략집성각개SVM.재훈련과정중,통과포기성능교차적기분류기,진일보제고집성분류정도.장해방법용우3조수거,실험결과표명,SVM집성적훈련화분류속도평균분별제고료266%화25%.
