基于类内离散度的最小二乘支持向量机

• 作者: 李雷 薛松
• 来源期刊: 计算机技术与发展
• 学科: 工学
• 关键词: 类内离散度 分类 最小二乘支持向量机 核方法
• 年，卷（期）: 2015,（4）
• 所属期刊栏目: 智能、算法、系统工程
• 页码范围: 71-74
• 页数: 4页
• 分类号: TP31
• 字数: 2829字
• 语种: 中文
• DOI: 10.3969/j.issn.1673-629X.2015.04.017

摘要

支持向量机是一种很流行的机器学习方法，在许多领域都有了广泛的使用。传统的支持向量机模型是寻求类之间的间隔最大化，而忽视了一个重要的信息—样本的类内结构，类内离散度。文中将Fisher判别分析里面的类内离散度引入到最小二乘支持向量机中，提出了基于类内离散度的最小二乘支持向量机模型。并通过核函数将样本映射到高维特征空间，在特征空间中进行样本分类。基于UCI数据库的数据集实验测试表明，基于类内离散度的最小二乘支持向量机提高了分类的准确度。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李雷	南京邮电大学理学院	82	539	12.0	18.0
2	薛松	南京邮电大学理学院	1	4	1.0	1.0