基于SVM的多类分类集成

• 作者: 张红梅 王行愚 高海华
• 来源期刊: 华东理工大学学报（自然科学版）
• 学科: 工学
• 关键词: SVM集成 多类分类 Bagging(自助聚集) 入侵检测
• 年，卷（期）: 2008,（5）
• 所属期刊栏目: 信息科学与工程
• 页码范围: 734-739
• 页数: 6页
• 分类号: TP393
• 字数: 4375字
• 语种: 中文

摘要

为了解决单个SVM可能产生的泛化能力恶化问题以及当SVM采用一对多组合策略解决多类分类时可能产生的误差无界情况,本文采用Bagging方法构造了一个基于SVM的多类分类集成模型,利用MIT KDD 99数据集进行仿真实验,通过实验探讨了其中的两个参数--训练样本数和单分类器个数对集成学习效果的影响,并将其与采用全部样本进行训练及部分样本进行训练的单分类器检测进行了比较.结果表明:集成学习算法能够有效降低采用全部样本进行训练所带来的计算复杂性,提高检测精度,而且也能够避免基于采样学习带来检测的不稳定性和低精度.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王行愚	华东理工大学信息科学与工程学院	120	1138	16.0	27.0
2	张红梅	华东理工大学信息科学与工程学院	4	29	3.0	4.0
6	高海华	华东理工大学信息科学与工程学院	6	105	4.0	6.0