ELMs和SVMs在多分类问题上的泛化性能比较

• 作者: 卢欣欣 潘丽平
• 来源期刊: 计算机应用与软件
• 学科: 工学
• 关键词: 极限学习机(ELM) 核极限学习机(KELM) 支持向量机(SVM) 最小二乘支持向量机(LSSVM) 多分类问题 泛化能力
• 年，卷（期）: 2019,（10）
• 所属期刊栏目: 算法
• 页码范围: 262-267,278
• 页数: 7页
• 分类号: TP311
• 字数: 3878字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-386x.2019.10.045

摘要

多分类问题是机器学习、数据挖掘领域的重要研究内容.在文本分类、语音识别、图像识别、基因检测等方面有广泛的应用.通过在UCI数据集对极限学习机算法ELMs(ELM,KELM)和支持向量机算法SVMs(SVM,LSSVM)在多分类问题上的表现进行详细比较,得出以下结论:ELMs相较于SVM在多分类问题上有更高的分类准确率,而且随着分类数目的增加,ELMs的泛化能力相较于SVM提高越多,但是ELMs对于LSSVM并没有得到上述结论;ELMs相较于SVMs对数据的类别数目不敏感,分类准确率随类别数目增加下降不明显;ELMs相较于SVMs在多分类问题上所需计算代价更小,且拥有更快的学习和训练速度,适用于多分类问题.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	卢欣欣	周口师范学院计算机科学与技术学院	10	21	2.0	4.0
5	潘丽平		1	1	1.0	1.0