基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
支持向量机(SVM)是一种新的机器学习方法,已经广泛应用于模式识别和函数估计等问题中.针对现有的加权支持向量机(WSVM)和模糊支持向量机(FSVM)只考虑样本重要性而没有考虑属性重要性对分类结果的影响的缺陷,提出了基于样本属性重要度的支持向量机方法,该方法首先利用信息论中的信息增益技术计算各个样本特征属性对分类属性的重要度,然后对所有样本的同一特征属性的值分别用对应的属性重要度进行加权,最后所得数据集用于训练和测试SVM.数值实验的结果表明,该方法提高了分类器的分类精度.
推荐文章
基于最小二乘支持向量机的多属性决策
多属性决策
最小二乘支持向量机
效用函数
全局灵敏度分析的支持向量机方法
全局灵敏度
支持向量机
隐式极限状态函数
均匀映射
支持向量机在小样本预测中的应用
支持向量机
统计学习
预测
人工神经网络
核函数
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 样本属性重要度的支持向量机方法
来源期刊 北京交通大学学报(自然科学版) 学科 工学
关键词 支持向量机(SVM) 属性重要度 信息增益 机器学习
年,卷(期) 2007,(5) 所属期刊栏目 计算机与信息技术
研究方向 页码范围 87-90
页数 4页 分类号 TP181
字数 3470字 语种 中文
DOI 10.3969/j.issn.1673-0291.2007.05.020
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 黄厚宽 北京交通大学计算机与信息技术学院 139 2476 26.0 44.0
2 田盛丰 北京交通大学计算机与信息技术学院 34 652 13.0 25.0
3 汪廷华 北京交通大学计算机与信息技术学院 2 121 2.0 2.0
4 廖年冬 北京交通大学计算机与信息技术学院 2 28 2.0 2.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (10)
共引文献  (62)
参考文献  (5)
节点文献
引证文献  (20)
同被引文献  (10)
二级引证文献  (31)
1986(1)
  • 参考文献(1)
  • 二级参考文献(0)
1995(1)
  • 参考文献(0)
  • 二级参考文献(1)
1998(3)
  • 参考文献(1)
  • 二级参考文献(2)
2000(1)
  • 参考文献(0)
  • 二级参考文献(1)
2001(1)
  • 参考文献(0)
  • 二级参考文献(1)
2002(3)
  • 参考文献(0)
  • 二级参考文献(3)
2003(3)
  • 参考文献(1)
  • 二级参考文献(2)
2005(2)
  • 参考文献(2)
  • 二级参考文献(0)
2007(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
2009(4)
  • 引证文献(4)
  • 二级引证文献(0)
2010(3)
  • 引证文献(3)
  • 二级引证文献(0)
2011(4)
  • 引证文献(3)
  • 二级引证文献(1)
2012(4)
  • 引证文献(2)
  • 二级引证文献(2)
2013(3)
  • 引证文献(0)
  • 二级引证文献(3)
2014(4)
  • 引证文献(2)
  • 二级引证文献(2)
2015(3)
  • 引证文献(3)
  • 二级引证文献(0)
2016(6)
  • 引证文献(0)
  • 二级引证文献(6)
2017(4)
  • 引证文献(1)
  • 二级引证文献(3)
2018(9)
  • 引证文献(2)
  • 二级引证文献(7)
2019(6)
  • 引证文献(0)
  • 二级引证文献(6)
2020(1)
  • 引证文献(0)
  • 二级引证文献(1)
研究主题发展历程
节点文献
支持向量机(SVM)
属性重要度
信息增益
机器学习
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
北京交通大学学报
双月刊
1673-0291
11-5258/U
大16开
北京西直门外上园村3号
1975
chi
出版文献量(篇)
3626
总下载数(次)
7
总被引数(次)
38401
论文1v1指导