基于Tri-training的半监督SVM

被引：14

作者：

李昆仑

张伟

代运娜

机构：

[1] 河北大学电子信息工程学院

来源：

计算机工程与应用 | 2009年 / 22期

关键词：

半监督学习; 协同训练; Tri-training; 支持向量机; 最小二乘支持向量机;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

摘要：

当前机器学习面临的主要问题之一是如何有效地处理海量数据,而标记训练数据是十分有限且不易获得的。提出了一种新的半监督SVM算法,该算法在对SVM训练中,只要求少量的标记数据,并能利用大量的未标记数据对分类器反复的修正。在实验中发现,Tri-training的应用确实能够提高SVM算法的分类精度,并且通过增大分类器间的差异性能够获得更好的分类效果,所以Tri-training对分类器的要求十分宽松,通过SVM的不同核函数来体现分类器之间的差异性,进一步改善了协同训练的性能。理论分析与实验表明,该算法具有较好的学习效果。

引用

页码：103 / 106

页数：4

共 5 条

[1] 基于自适应数据剪辑策略的Tri-training算法 [J].

邓超 ;

郭茂祖 .

计算机学报, 2007, (08) :1213-1226

[2]

机器学习及其应用[M]. 清华大学出版社 , 王珏, 2006

[3] Least squares support vector machine classifiers [J].

Suykens, JAK ;

Vandewalle, J .

NEURAL PROCESSING LETTERS, 1999, 9 (03) :293-300

[4]

Learning from noisy examples[J] . Dana Angluin,Philip Laird.Machine Learning . 1988 (4)

[5]

Semi-supervised Learning .2 Chapelle O,Sch lkopf B,Zien A. MIT Press . 2006

← 1 →