基于半监督学习的SVM-KNN

• 作者: 孟晓倩 李昆仑 骆学荣
• 来源期刊: 北京交通大学学报
• 学科: 工学
• 关键词: 半监督学习 支持向量机 K-近邻 边界向量 迭代
• 年，卷（期）: 2009,（6）
• 所属期刊栏目: 机器学习与数据挖掘
• 页码范围: 97-100
• 页数: 4页
• 分类号: TP181
• 字数: 3974字
• 语种: 中文
• DOI: 10.3969/j.issn.1673-0291.2009.06.021

摘要

提出一种新的基于半监督的SVM-KNN分类方法,当可用的训练样本较少时,使用SVM进行分类,不能得到准确的分类边界,本文采用半监督学习策略从大量未标记样本中提取边界向量来改善SVM.KNN分类器的引进不仅扩充了SVM的训练样本数目,而且优化了迭代过程中训练样本的标记质量,可不断修复SVM的分类边界.实验结果表明,所提出的方法能提高SVM算法的分类精度,通过调整参数能够获得更好的分类效果,同时也减小了标记大量未标记样本的代价.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李昆仑	河北大学电子信息工程学院	32	624	13.0	24.0
2	骆学荣	河北大学电子信息工程学院	1	7	1.0	1.0
3	孟晓倩	河北大学电子信息工程学院	1	7	1.0	1.0