一种改进的SVM算法

• 作者: 郑春颖
• 来源期刊: 航空计算技术
• 关键词: 支持向量机 训练集 分类精度
• 年，卷（期）: 2005,（2）
• 所属期刊栏目: 计算方法
• 页码范围: 6-8
• 页数: 3页
• 分类号: TP391
• 语种: 中文
• DOI: 10.3969/j.issn.1671-654X.2005.02.002

摘要

当训练集的规模很大特别是支持向量很多时,支持向量机的学习过程需要占用大量的内存,寻优速度非常缓慢,这给实际应用带来了很大的麻烦.文献[4]提出了一种针对大规模样本集的学习策略,该方法虽大幅降低了学习的代价,但存在着一个致命的弱点:如果初始样本集选择不当,SVM的分类精度将得不到保障.基于此,本文引入了"最远邻",对文献[4]中算法进行了改进.实验表明,采用这种改进的算法不仅保留了文献[4]方法的优点,而且这样获得的分类器的分类精度完全可以与直接通过大规模样本集训练得到的分类器的分类精度相媲美,甚至更优.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	郑春颖	空军工程大学导弹学院	8	254	5.0	8.0