数字化用户
數字化用戶
수자화용호
ShuZiHua YongHu
2014年
21期
138-139
,共2页
SVM%分类%样本约减%近邻区
SVM%分類%樣本約減%近鄰區
SVM%분류%양본약감%근린구
支持向量机(Support Vector Machine，SVM)以实现结构风险最小化为原则，成功避免了传统机器学习基于无穷样本数量的假设，以及推广能力差、“过学习”、局部最优值、“维数灾难”等问题。对分类起作用的支持向量只存在于样本分界处，其他对分类不起作用的样本会增加构造支持向量的时间，导致分类速度较慢。本文提出了一种基于近邻区的样本约减算法，将异类样本中离得最近(特征空间中离得近意为相似性高)的聚类区域内的样本集合作为SVM新的训练样本集合，从而有效减少训练样本数量和构造支持向量的时间，在保证分类准确度的前提下提高分类速率。
支持嚮量機(Support Vector Machine，SVM)以實現結構風險最小化為原則，成功避免瞭傳統機器學習基于無窮樣本數量的假設，以及推廣能力差、“過學習”、跼部最優值、“維數災難”等問題。對分類起作用的支持嚮量隻存在于樣本分界處，其他對分類不起作用的樣本會增加構造支持嚮量的時間，導緻分類速度較慢。本文提齣瞭一種基于近鄰區的樣本約減算法，將異類樣本中離得最近(特徵空間中離得近意為相似性高)的聚類區域內的樣本集閤作為SVM新的訓練樣本集閤，從而有效減少訓練樣本數量和構造支持嚮量的時間，在保證分類準確度的前提下提高分類速率。
지지향량궤(Support Vector Machine，SVM)이실현결구풍험최소화위원칙，성공피면료전통궤기학습기우무궁양본수량적가설，이급추엄능력차、“과학습”、국부최우치、“유수재난”등문제。대분류기작용적지지향량지존재우양본분계처，기타대분류불기작용적양본회증가구조지지향량적시간，도치분류속도교만。본문제출료일충기우근린구적양본약감산법，장이류양본중리득최근(특정공간중리득근의위상사성고)적취류구역내적양본집합작위SVM신적훈련양본집합，종이유효감소훈련양본수량화구조지지향량적시간，재보증분류준학도적전제하제고분류속솔。
