山东师范大学学报（自然科学版）
山東師範大學學報（自然科學版）
산동사범대학학보（자연과학판）
JOURNAL OF SHANGOND NORMAL UNIVERSITY(NATURAL SCIENCE)
2015年
1期
20-23
,共4页
支持向量机%Bagging算法%AdaBoost算法%集成学习
支持嚮量機%Bagging算法%AdaBoost算法%集成學習
지지향량궤%Bagging산법%AdaBoost산법%집성학습
support vector machine%Bagging algorithm%AdaBoost algorithm%ensemble learning
提出一种自适应权值的支持向量机集成学习方法。该方法以Bagging方法为基础，结合部分AdaBoost算法权值更新的思想，给各个子分类器赋予权值，同时结合支持向量机本身的特性，对训练数据进行选择，加大训练样本的差异性。相比较传统的Bagging方法，结合SVM的特性来更有针对性的训练错分样本。文中使用4个UCI数据集进行对比实验，结果表明本文算法相比较传统的Bagging算法可以在一定程度上提高分类器的泛化能力。
提齣一種自適應權值的支持嚮量機集成學習方法。該方法以Bagging方法為基礎，結閤部分AdaBoost算法權值更新的思想，給各箇子分類器賦予權值，同時結閤支持嚮量機本身的特性，對訓練數據進行選擇，加大訓練樣本的差異性。相比較傳統的Bagging方法，結閤SVM的特性來更有針對性的訓練錯分樣本。文中使用4箇UCI數據集進行對比實驗，結果錶明本文算法相比較傳統的Bagging算法可以在一定程度上提高分類器的汎化能力。
제출일충자괄응권치적지지향량궤집성학습방법。해방법이Bagging방법위기출，결합부분AdaBoost산법권치경신적사상，급각개자분류기부여권치，동시결합지지향량궤본신적특성，대훈련수거진행선택，가대훈련양본적차이성。상비교전통적Bagging방법，결합SVM적특성래경유침대성적훈련착분양본。문중사용4개UCI수거집진행대비실험，결과표명본문산법상비교전통적Bagging산법가이재일정정도상제고분류기적범화능력。
This paper presents the SVMensemble learning method based on adaptive weight.The method isbased on the Bagging method,and combined with the idea that AdaBoost algorithm updates the weights of sample.In order to increase the diversity of training samples,the algorithm gives each sub -classifier weight,and combinesthe characteristics of SVMto select the training data.Compared with the traditional Bagging method,the algorithmcan pay more attention to the wrong samples,by combining the characteristics of the SVM.Four UCI data sets areused to do the experiment by us.Compared with the Bagging algorithm,the result shows that the algorithm canimprove the generalization ability of the classifier to some extent.
