支持向量机(Support Vector Machine,SVM)拥有简洁的数学函数,能够非常有效地处理分类和回归问题,SVM具有两大优点:边界最大化和利用核函数解决线性不可分问题.但是由于SVM的训练复杂度依赖于数据集的规模,所以SVM处理大规模数据时能力...支持向量机(Support Vector Machine,SVM)拥有简洁的数学函数,能够非常有效地处理分类和回归问题,SVM具有两大优点:边界最大化和利用核函数解决线性不可分问题.但是由于SVM的训练复杂度依赖于数据集的规模,所以SVM处理大规模数据时能力非常有限.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.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 M achine,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.展开更多
文摘支持向量机(Support Vector Machine,SVM)拥有简洁的数学函数,能够非常有效地处理分类和回归问题,SVM具有两大优点:边界最大化和利用核函数解决线性不可分问题.但是由于SVM的训练复杂度依赖于数据集的规模,所以SVM处理大规模数据时能力非常有限.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.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 M achine,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.
