融合数据分布特征的保序学习机

• 作者: 党建飞 刘忠宝 张志剑
• 来源期刊: 数据采集与处理
• 学科: 工学
• 关键词: 类内离散度 支持向量机 大规模数据集 全局保序 核心向量机
• 年，卷（期）: 2020,（3）
• 页码范围: 431-440
• 页数: 10页
• 分类号: TP181
• 字数: 3933字
• 语种: 中文
• DOI: 10.16337/j.1004-9037.2020.03.006

摘要

支持向量机(Support vector machine,SVM)作为一种经典的分类方法,已经广泛应用于各种领域中.然而,标准支持向量机在分类决策中面临以下问题:(1)未考虑分类数据的分布特征;(2)忽略了样本类别间的相对关系;(3)无法解决大规模分类问题.鉴于此,提出融合数据分布特征的保序学习机(Rank preservation learning machine based on data distribution fusion,RPLM-DDF).该方法通过引入类内离散度表征数据的分布特征;通过各类样本数据中心位置相对不变保证全局样本顺序不变;通过建立所提方法和核心向量机对偶形式的等价性解决了大规模分类问题.在人工数据集、中小规模数据集和大规模数据集上的比较实验验证所提方法的有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘忠宝	中北大学软件学院	58	141	6.0	8.0
2	党建飞	中北大学软件学院	2	0	0.0	0.0
3	张志剑	中北大学软件学院	3	0	0.0	0.0