计算机应用
計算機應用
계산궤응용
COMPUTER APPLICATION
2013年
z2期
108-110,132
,共4页
模糊聚类%核函数%数据分类%支持向量机
模糊聚類%覈函數%數據分類%支持嚮量機
모호취류%핵함수%수거분류%지지향량궤
fuzzy clustering%kernel function%data classification%Support Vector Machine (SVM)
建立在统计学习理论基础上的支持向量机(SVM)具有良好的分类性能,然而其训练的计算量大的弊端,严重限制了其在大规模数据分类方面的应用.针对大规模数据训练的问题,提出一种模糊核聚类支持向量分类方法,该方法将核函数技术与模糊聚类技术相结合,首先滤除一部分冗余的样本点,减少了进入SVM训练过程的样本数,大大提高了SVM的训练效率,使其能够适应处理大规模高维数据的分类.最后利用UCI数据库中的数据对本文的方法进行了评估,实验结果表明通过模糊核聚类技术,能够过滤掉大量的冗余样本点,并且利用过滤后的样本所训练的SVM的精度不低于利用所有样本训练的SVM的精度.
建立在統計學習理論基礎上的支持嚮量機(SVM)具有良好的分類性能,然而其訓練的計算量大的弊耑,嚴重限製瞭其在大規模數據分類方麵的應用.針對大規模數據訓練的問題,提齣一種模糊覈聚類支持嚮量分類方法,該方法將覈函數技術與模糊聚類技術相結閤,首先濾除一部分冗餘的樣本點,減少瞭進入SVM訓練過程的樣本數,大大提高瞭SVM的訓練效率,使其能夠適應處理大規模高維數據的分類.最後利用UCI數據庫中的數據對本文的方法進行瞭評估,實驗結果錶明通過模糊覈聚類技術,能夠過濾掉大量的冗餘樣本點,併且利用過濾後的樣本所訓練的SVM的精度不低于利用所有樣本訓練的SVM的精度.
건립재통계학습이론기출상적지지향량궤(SVM)구유량호적분류성능,연이기훈련적계산량대적폐단,엄중한제료기재대규모수거분류방면적응용.침대대규모수거훈련적문제,제출일충모호핵취류지지향량분류방법,해방법장핵함수기술여모호취류기술상결합,수선려제일부분용여적양본점,감소료진입SVM훈련과정적양본수,대대제고료SVM적훈련효솔,사기능구괄응처리대규모고유수거적분류.최후이용UCI수거고중적수거대본문적방법진행료평고,실험결과표명통과모호핵취류기술,능구과려도대량적용여양본점,병차이용과려후적양본소훈련적SVM적정도불저우이용소유양본훈련적SVM적정도.
