融合特征选取和学习策略的支持向量机研究

摘要：

支持向量机是重要的机器学习方法之一,已成功解决了许多实际的分类问题.围绕如何提高支持向量机的分类精度与训练效率,以分类过程为主线,主要综述了在训练支持向量机之前不同的特征选取方法与学习策略.在此基础上,比较了不同的特征选取方法SFS,IWSS,IWSSr以及BARS的分类精度,分析了主动学习策略与支持向量机融合后获得的分类器在测试集上的分类精度与正确率/召回率平衡点两个性能指标.实验结果表明,包装方法与过滤方法相结合的特征选取方法能有效提高支持向量机的分类精度和减少训练样本量;在标签数据较少的情况下,主动学习能达到更好的分类精度,而为了达到相同的分类精度,被动学习需要的样本数量必须要达到主动学习的6倍.

关键词：支持向量机、特征选取、学习策略、优化方法、阈值

所属期刊栏目：48

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金青年基金项目61103136;湖北省智能机器人重点实验室开放基金200906

在线出版日期：2013-01-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：140-146