计算机工程与应用
計算機工程與應用
계산궤공정여응용
COMPUTER ENGINEERING AND APPLICATIONS
2011年
24期
97-99,114
,共4页
支持向量机%粒度计算%粒度支持向量机%关联规则%非平衡数据
支持嚮量機%粒度計算%粒度支持嚮量機%關聯規則%非平衡數據
지지향량궤%립도계산%립도지지향량궤%관련규칙%비평형수거
通过多维关联规则挖掘,将粒度计算(Granular Computing,GrC)和支持向量机(Support Vector Machine,SVM)有效融合,提出一种粒度支持向量机(Granular SVM,GSVM)学习方法,称为AR-GSVM.该方法用于非平衡数据处理时,不仅可以有效降低分类器的复杂性,而且本质上可以进行并行计算以提高学习效率,同时提高分类器的泛化能力.考虑到保持数据在原始空间和特征空间的分布一致性,在AR-GSVM的基础上又提出核空间上的粒度支持向量机学习方法,称为AR-KGSVM,该方法具有更好的泛化性能.通过在UCI数据集上的实验表明:AR-GSVM和AR-KGSVM的泛化能力优于一些常用非平衡数据处理的方法.
通過多維關聯規則挖掘,將粒度計算(Granular Computing,GrC)和支持嚮量機(Support Vector Machine,SVM)有效融閤,提齣一種粒度支持嚮量機(Granular SVM,GSVM)學習方法,稱為AR-GSVM.該方法用于非平衡數據處理時,不僅可以有效降低分類器的複雜性,而且本質上可以進行併行計算以提高學習效率,同時提高分類器的汎化能力.攷慮到保持數據在原始空間和特徵空間的分佈一緻性,在AR-GSVM的基礎上又提齣覈空間上的粒度支持嚮量機學習方法,稱為AR-KGSVM,該方法具有更好的汎化性能.通過在UCI數據集上的實驗錶明:AR-GSVM和AR-KGSVM的汎化能力優于一些常用非平衡數據處理的方法.
통과다유관련규칙알굴,장립도계산(Granular Computing,GrC)화지지향량궤(Support Vector Machine,SVM)유효융합,제출일충립도지지향량궤(Granular SVM,GSVM)학습방법,칭위AR-GSVM.해방법용우비평형수거처리시,불부가이유효강저분류기적복잡성,이차본질상가이진행병행계산이제고학습효솔,동시제고분류기적범화능력.고필도보지수거재원시공간화특정공간적분포일치성,재AR-GSVM적기출상우제출핵공간상적립도지지향량궤학습방법,칭위AR-KGSVM,해방법구유경호적범화성능.통과재UCI수거집상적실험표명:AR-GSVM화AR-KGSVM적범화능력우우일사상용비평형수거처리적방법.
