基于数据分割和集成学习的大规模SVM分类算法

• 作者: 张卫国 张永 徐维军
• 来源期刊: 系统工程
• 学科: 工学
• 关键词: 支持向量机 SMO算法 数据分割 集成学习
• 年，卷（期）: 2009,（3）
• 页码范围: 84-88
• 页数: 5页
• 分类号: TP391
• 语种: 中文

摘要

支持向量机对分类问题的求解过程相当于解一个线性约束的二次规划问题,求解的变量个数与训练样本数相等,且需要计算和存储的核矩阵大小与训练样本数的平方相关.随着样本数目的增多,经典的求解二次规划问题的算法不再适用.针对大规模二分类问题,基于数据分割和集成学习策略,本文提出了一种快速支持向量机学习算法.其主要思想是:首先对数据集进行预处理,自动将正负类分别聚成若干子簇;然后对两两组合的正负子簇用SMO算法进行交叉学习,得到多个基本分类器;最后对这些基本分类器进行集成学习.在UCI的5个数据集上的实验表明,与SMO学习算法相比,这种基于数据分割的训练策略在精度几乎没有损失的情况下显著地提高了训练速度.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张卫国		135	1077	18.0	25.0
2	徐维军		78	512	14.0	18.0
3	张永		9	42	3.0	6.0