基于改进加权压缩近邻与最近边界规则SVM训练样本约减选择算法

• 作者: 胡正平 高文涛
• 来源期刊: 燕山大学学报
• 学科: 工学
• 关键词: 样本选择 加权压缩近邻 最近边界 随机小样本池 支持向量机
• 年，卷（期）: 2010,（5）
• 页码范围: 421-425
• 分类号: TP391
• 字数: 4079字
• 语种: 中文
• DOI: 10.3969/j.issn.1007-791X.2010.05.009

摘要

大规模的训练集中通常含有许多相似样本和大量对分类器模犁构造"无用"的冗余信息,利用全部样本进行训练不但会增加训练时间,还可能因为出现"过拟合"现象而导致泛化能力下降.针对这一问题,本文从最具代表性样本与最近边界样本两个角度综合考虑,提出一种基于改进加权压缩近邻与最近边界规则SVM训练样本约减选择算法.该算法考虑到有价值训练样本对SVM分类器性能的重要影响,引进减法聚类利用改进的加权压缩近邻方法选择最具代表性的样本进行训练,在此基础上利用最近边界规则在随机小样本池中选择边界样本提高分类精度.在UCI和KDD Cup 1999数据集上的实验结果表明,本文的算法能够有效地去除大训练集中的冗余信息,以较少的样本获得更好的分类性能.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	胡正平	燕山大学信息科学与工程学院	160	1215	17.0	28.0
2	高文涛	燕山大学信息科学与工程学院	4	16	2.0	4.0