针对传统基于主动学习的支持向量机(support vector machine,SVM)方法中所采用的欧式距离不能有效衡量高维样本之间的相关程度,导致学习器泛化能力下降的问题,提出了一种基于向量余弦的支持向量机主动学习(SVM active learning based on...
详细信息
针对传统基于主动学习的支持向量机(support vector machine,SVM)方法中所采用的欧式距离不能有效衡量高维样本之间的相关程度,导致学习器泛化能力下降的问题,提出了一种基于向量余弦的支持向量机主动学习(SVM active learning based on vector cosine)策略,称为COS_SVMactive方法。该方法通过在主动学习过程中引入向量余弦来度量训练集中样本信息的冗余度,以挑选那些含有重要分类信息的最有价值样本交给专家进行人工标注,并在迭代的样本标注过程中对训练集的平衡度进行逐步调整,使学习器获得更好的泛化性能。实验结果表明,与传统基于随机采样的SVM主动学习方法(SVM active learning based on random sampling,RS_SVMactive)和基于距离的SVM主动学习方法(SVM active learning based on distance,DIS_SVMactive)相比,COS_SVMactive方法不仅可以提高分类精度,而且能够减少专家标记代价。
粒度支持向量机(Granular Support Vector Machine,GSVM)模型可以有效提高SVM的学习效率,但会损失一定的泛化能力。本文提出一种新的粒度支持向量机学习算法,称为层次粒度支持向量机(Hierarchical Granular Support Vector Machine,HGSV...
详细信息
粒度支持向量机(Granular Support Vector Machine,GSVM)模型可以有效提高SVM的学习效率,但会损失一定的泛化能力。本文提出一种新的粒度支持向量机学习算法,称为层次粒度支持向量机(Hierarchical Granular Support Vector Machine,HGSVM),通过定义一个新的数据置信度挑选对分类贡献较大的重要信息粒,并在每次的迭代训练中根据粒的重要性进行自动粒划,以获得更好的泛化能力。在UCI标准数据集上的实验结果表明,与传统的粒度支持向量机相比,本文的算法可获得较好的分类性能。
暂无评论