计算机科学
計算機科學
계산궤과학
COMPUTER SCIENCE
2014年
5期
245-249
,共5页
胡文军%王娟%王培良%王士同
鬍文軍%王娟%王培良%王士同
호문군%왕연%왕배량%왕사동
分类%线性SVM%径向基函数%梯度下降法
分類%線性SVM%徑嚮基函數%梯度下降法
분류%선성SVM%경향기함수%제도하강법
Classification%Linear SVM%Radical basis function%Gradient descent method
线性SVM具有算法简单、训练和测试速度快等优点,但不能用于解决线性不可分问题.为此,将样本数据集划分为多个集合并分别构造它们的LSVM,然后运用径向基函数的非线性组合来拟合非线性的决策函数,从而解决线性不可分问题.鉴于此,提出了一种适合非线性大样本分类的LSVM快速集成模型FMELSVM.该模型利用径向基函数RBF改善了LSVM的非线性输出能力,同时引进了优化权来提升LSVM的集成效果.UCI数据集的实验结果表明,FMELSVM在处理大样本方面具有较好的性能优势.
線性SVM具有算法簡單、訓練和測試速度快等優點,但不能用于解決線性不可分問題.為此,將樣本數據集劃分為多箇集閤併分彆構造它們的LSVM,然後運用徑嚮基函數的非線性組閤來擬閤非線性的決策函數,從而解決線性不可分問題.鑒于此,提齣瞭一種適閤非線性大樣本分類的LSVM快速集成模型FMELSVM.該模型利用徑嚮基函數RBF改善瞭LSVM的非線性輸齣能力,同時引進瞭優化權來提升LSVM的集成效果.UCI數據集的實驗結果錶明,FMELSVM在處理大樣本方麵具有較好的性能優勢.
선성SVM구유산법간단、훈련화측시속도쾌등우점,단불능용우해결선성불가분문제.위차,장양본수거집화분위다개집합병분별구조타문적LSVM,연후운용경향기함수적비선성조합래의합비선성적결책함수,종이해결선성불가분문제.감우차,제출료일충괄합비선성대양본분류적LSVM쾌속집성모형FMELSVM.해모형이용경향기함수RBF개선료LSVM적비선성수출능력,동시인진료우화권래제승LSVM적집성효과.UCI수거집적실험결과표명,FMELSVM재처리대양본방면구유교호적성능우세.
