崔芳芳
- 作品数：3 被引量：7H指数：1
- 供职机构：河北大学数学与计算机学院更多>>
- 发文基金：河北省自然科学基金国家自然科学基金更多>>
- 相关领域：自动化与计算机技术更多>>
- 增量密度加权近似支持向量机
- 近似支持向量机(PSVM)是一个正则化最小二乘问题,且具有解析解.但是它失去了支持向量机(SVM)的稀疏性,使得所有的训练样例都成为支持向量.为了有效地控制近似支持向量机的稀疏性,提出了增量密度加权近似支持向量机(IDW...
- 鲁淑霞崔芳芳忽丽莎
- 关键词：INCREMENTSPARSENESS
- 文献传递
- 增量密度加权近似支持向量机被引量：1
- 2012年
- 近似支持向量机(PSVM)是一个正则化最小二乘问题,有解析解,但是它失去了支持向量机(SVM)的稀疏性,使得所有的训练样例都成为支持向量。为了有效地控制近似支持向量机的稀疏性,提出了增量密度加权近似支持向量机(IDWPSVM),它在训练集中选取最基本的支持向量。实验表明,IDWPSVM方法与SVM,PSVM和DWPS-VM方法相比,其精度相似,收敛速度快,可有效地控制近似支持向量机的稀疏性。
- 鲁淑霞崔芳芳忽丽莎
- 关键词：近似支持向量机稀疏性
- 密度加权近似支持向量机被引量：6
- 2012年
- 标准的近似支持向量机(PSVM)用求解正则化最小二乘问题代替了求解二次规划问题,它可以得到一个解析解,从而减少训练时间。但是标准的PSVM没有考虑数据集中正、负样本的分布情况,对所有的样本都赋予了相同的惩罚因子。而在实际问题中,数据集中样本的分布是不平衡的。针对此问题,在PSVM的基础上提出了一种基于密度加权的近似支持向量机(DPSVM),其先计算样本的密度指标,不同的样例有不同的密度信息,因此对不同的样例给予不同的惩罚因子,并将原始优化问题中的惩罚因子由数值变为一个对角矩阵。在UCI数据集上用这种方法进行了实验,并与SVM和PSVM方法进行了比较,结果表明,DPSVM在正负类样本分布不平衡的数据集上有较好的分类性能。
- 王熙照崔芳芳鲁淑霞
- 关键词：支持向量机近似支持向量机不平衡数据
