一种适于多分类问题的支持向量机加速方法

摘要：

支持向量机因具有卓越的分类效果和坚实的理论基础而成为了近年来模式识别、机器学习以及数据挖掘等领域中最重要的分类方法之一.然而,其训练时间会随样本增多而明显增长,并且在处理多分类问题时模型训练会更加复杂.为解决上述问题,给出了一种适于多分类问题的训练数据快速约简方法MOIS.该方法以聚类中心为参照点,在删除掉冗余训练样本的同时,选择起决定作用的边界样本来大幅度约简训练数据,并消减类别间的分布不均衡问题.实验结果表明,MOIS在保持甚至提高支持向量机分类效果的同时,能大幅提高训练效率.例如,在Optdigit数据集上,利用所提方法使分类准确率由98.94％提高到99.05％的同时,训练时间缩短到原来的15％;又如,在HCL2000前100类构成的数据集上,在准确率略有提高的情况下(由99.29％提高到99.30％),训练时间更是大幅缩短到不足原来的6％.另外,MOIS本身具有很高的运行效率.

关键词：支持向量机、多分类、数据约简、聚类、样本选择

所属期刊栏目：49

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金61773325

在线出版日期：2022-06-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：297-300