计算机科学
計算機科學
계산궤과학
COMPUTER SCIENCE
2015年
6期
239-242,246
,共5页
粗糙集%一类支持向量机%加权核函数%主成分分析%超平面%过拟合
粗糙集%一類支持嚮量機%加權覈函數%主成分分析%超平麵%過擬閤
조조집%일류지지향량궤%가권핵함수%주성분분석%초평면%과의합
Rough set%One-class SVM%Kernel function%PCA%Hyperplane%Over-fitting
粗糙one-class支持向量机(ROCSVM)是一种一类支持向量机,它通过核函数映射,定义上近似超平面和下近似超平面,使得训练样本能根据在粗糙间隔中的位置,自适应地对决策超平面产生影响.由于ROCSVM训练集只有正类样本,因此充分挖掘和利用训练样本的分类特征对于提高ROCSVM的分类性能有重要意义.为此,提出了一种基于训练样本分类特征贡献度的加权高斯核函数(λRBF):先对训练样本做主成分分析(PCA)得到按特征值排序的向量集,以此向量集构造核函数,使得特征值较大的维度在核函数中起较大的作用.在UCI标准数据集和仿真数据上的实验结果表明:与一般RBF的ROCSVM相比,基于λ-RBF的ROCSVM有着更好的泛化性和更高的识别率.
粗糙one-class支持嚮量機(ROCSVM)是一種一類支持嚮量機,它通過覈函數映射,定義上近似超平麵和下近似超平麵,使得訓練樣本能根據在粗糙間隔中的位置,自適應地對決策超平麵產生影響.由于ROCSVM訓練集隻有正類樣本,因此充分挖掘和利用訓練樣本的分類特徵對于提高ROCSVM的分類性能有重要意義.為此,提齣瞭一種基于訓練樣本分類特徵貢獻度的加權高斯覈函數(λRBF):先對訓練樣本做主成分分析(PCA)得到按特徵值排序的嚮量集,以此嚮量集構造覈函數,使得特徵值較大的維度在覈函數中起較大的作用.在UCI標準數據集和倣真數據上的實驗結果錶明:與一般RBF的ROCSVM相比,基于λ-RBF的ROCSVM有著更好的汎化性和更高的識彆率.
조조one-class지지향량궤(ROCSVM)시일충일류지지향량궤,타통과핵함수영사,정의상근사초평면화하근사초평면,사득훈련양본능근거재조조간격중적위치,자괄응지대결책초평면산생영향.유우ROCSVM훈련집지유정류양본,인차충분알굴화이용훈련양본적분류특정대우제고ROCSVM적분류성능유중요의의.위차,제출료일충기우훈련양본분류특정공헌도적가권고사핵함수(λRBF):선대훈련양본주주성분분석(PCA)득도안특정치배서적향량집,이차향량집구조핵함수,사득특정치교대적유도재핵함수중기교대적작용.재UCI표준수거집화방진수거상적실험결과표명:여일반RBF적ROCSVM상비,기우λ-RBF적ROCSVM유착경호적범화성화경고적식별솔.
