基于集成算法的SVM训练数据选择

摘要：

当训练数据集非常大的时候,支持向量机在训练阶段所需的时间及空间复杂度非常高.为了降低支持向量机训练的时间及空间复杂度,文章提出一种新的支持向量机训练数据选择方法,叫做随机分组抽样集成法.该方法首先用随机分组抽样技术来选择基分类器的训练样本,从而保证了基分类器的训练样本是没有重复的.然后将所有的基分类器进行组合,根据集成规则来选择支持向量机的训练数据.仿真结果表明,该方法在保证支持向量机分类精度的前提下,大大降低了其训练的时间复杂度.同时也降低了数据选择过程的时间复杂度.

关键词：基分类器、抽样方法、数据选择、支持向量机、大数据

所属期刊栏目：34

分类号：O213(概率论与数理统计)

资助基金：国家自然科学基金资助项目61573266

在线出版日期：2018-08-30（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：77-80