|
|
1.
核向量机与支持向量机相结合的二阶段快速学习方法
蒲骏逸 雷秀仁
计算机应用
2012, 32 (02):
419-424.
DOI: 10.3724/SP.J.1087.2012.00419
支持向量机(SVM)作为一种有效的模式分类方法，当数据集规模较大时，学习时间长、泛化能力下降；而核向量机(CVM)分类算法的时间复杂度与样本规模无关，但随着支持向量的增加，CVM的学习时间会快速增长。针对以上问题，提出一种CVM与SVM相结合的二阶段快速学习算法(CCS)，首先使用CVM初步训练样本，基于最小包围球(MEB)筛选出潜在核向量，构建新的最有可能影响问题解的训练样本，以此降低样本规模，并使用标记方法快速提取新样本;然后对得到的新训练样本使用SVM进行训练。通过在6个数据集上与SVM和CVM进行比较，实验结果表明，CCS在保持分类精度的同时训练时间平均减少了30%以上，是一种有效的大规模分类学习算法。
参考文献 |
相关文章 |
多维度评价
|
|
