一种基于支持向量机决策树多类分类器

• 作者: 乔增伟 孙卫祥
• 来源期刊: 计算机应用与软件
• 学科: 工学
• 关键词: 决策树 支持向量机 多类分类器 平衡二叉树 可分性度量
• 年，卷（期）: 2009,（11）
• 所属期刊栏目: 人工智能与识别
• 页码范围: 227-230
• 页数: 4页
• 分类号: TP3
• 字数: 4126字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-386X.2009.11.075

摘要

提出一种基于支持向量机决策树的多类分类器SVMDT(Support Vector Machines based Decision Tree).训练时,SVMDT采用样本类间最小距离原则进行决策树分叉,综合考虑局部类簇,生成一棵平衡的分类二叉树.分类时,SVMDT采用最大距离原则匹配决策.SVMDT训练时采用的距离为等效距离,综合考虑特征空间中样本类的中心距离以及样本类自身的分布特点,使得训练过程中确定各个SVM的优先级别更加合理,由此生成的决策树将特征空间严格划分开,避免了拒识区域的出现.UCI样本数据集实验结果表明,和传统的1对多SVM分类器相比,SVMDT具有训练速度快、分类速度快,分类精度高的特点.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	乔增伟	江苏工业学院计算机科学与工程系	6	65	3.0	6.0