一种改进的样例约简支持向量机

被引：4

作者：

翟俊海 ^{[1
,2
]}

王婷婷 ^{[1
]}

王熙照 ^{[1
,2
]}

机构：

[1] 河北大学数学与计算机学院

[2] 河北省机器学习与计算智能重点实验室

来源：

南京大学学报(自然科学版) | 2013年 / 49卷 / 05期

关键词：

相容粗糙集; 样例选择; 支持向量机; 最优分类超平面;

D O I：

10.13232/j.cnki.jnju.2013.05.008

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

在以前工作的基础上,提出了一种改进的样例约简支持向量机,利用相容粗糙集方法求属性约简的边界域,并从中选择样例作为候选支持向量训练支持向量机.该方法的特点是可同时对属性和样例进行约简.实验结果证实了这种方法的有效性,能有效地减少存储空间和执行时间.

引用

页码：596 / 602

页数：7

共 20 条

[1] 基于双支持向量机的偏二叉树多类分类算法 [J].

谢娟英 ;

张兵权 ;

汪万紫 .

南京大学学报(自然科学版), 2011, 47 (04) :354-363

[2]

TOLERANCE APPROXIMATION SPACES[J] . Andrzej Skowron,Jaroslaw Stepaniuk. &nbspFundamenta Informaticae . 1996 (2,3)

[3]

The Nature of Statistical Learning Theory. Vapnik V. . 1995

[4]

Scaling up support vector machines using nearest neighbor condensation. Angiulli, Fabrizio,Astorino, Annabella. IEEE Transactions on Neural Networks . 2010

[5]

Nonlinear prediction of chaotic time series using support vector machines. Mukherjee S,Osuna E,Girosi F. Proceedings of the 1997 IEEE Workshop on Neural Networks for Signal Processing . 1997

[6]

Fuzzy decision tree based on fuzzy-rough technique. Zhai,Jun-hai. Soft Computing . 2011

[7] 一种有效的基于风险最小化的属性约简算法 [J].

于洪 ;

姚园 ;

赵军 .

南京大学学报(自然科学版), 2013, 49 (02) :210-216

[8]

Machine learning repository. BLAKE C,MERZ C J. http://www.ics.uci.edu/-mlearn/MLRepository.html . 2011

[9]

RSVM:Reduced support vector machines. Lee Y J,Mangasarian O L. Data Mining Institute,Computer Science Department,University of Wisconsin,Madison,WI,Technical Report . 2000

[10]

Twin support vector machines for pattern classification. Jayadeva R,Khemchandani R,Chandra S. IEEE Transactions on Pattern Analysis and Machine Intelligence . 2009

← 1 2 →