互联网 qkzz.net
全刊杂志网:首页 > 女性 > 文章正文
刊社推荐

支持向量机与AdaBoost的结合算法研究


□ 张晓龙 任 芳

  (武汉科技大学 计算机科学与技术学院, 武汉 430081)
  
  摘 要:将支持向量机与AdaBoost算法相结合,称其为BoostSVM。从提升泛化性能和预测精度等方面对支持向量机的学习算法进行了研究与比较。BoostSVM实验结果表明,该算法提高了支持向量机的预测精度并优化了学习机的性能。
  关键词:支持向量机; 增强法; 自适应增强算法; 算法优化
  中图分类号:TP301.6 文献标志码:A
   文章编号:10013695(2009)01007702
  
  Study on combinability of SVM and AdaBoost algorithm
  ZHANG Xiaolong, REN Fang
  
  (School of Computer Science & Technology, Wuhan University of Science & Technology, Wuhan 430081, China)
  
  Abstract:This paper described an algorithm——BoostSVM, which put SVM into AdaBoost framework, trying to improve the learning accuracy of the SVM algorithm. The experimental results show that the proposed method has a competitive learning ability and acquires better accuracy than SVM.
  Key words:SVM; Boosting algorithm; AdaBoost algorithm; algorithm optimization
  
  支持向量机是建立在统计学习理论的VC维(VapnikChervonenkis dimension)理论和结构风险最小化原则基础上的新型机器学习方法。最初于20世纪90年代由Vapnik[1]提出,近年来在其理论研究和算法实现方面都取得了突破性进展。与传统统计学的经验风险最小化(ERM)不同,支持向量机基于结构风险最小化(SRM)原理[2],从而表现出优于已有方法的性能,成为克服维数灾难和过学习等传统困难的有力手段,并且迅速引起各领域的注意和研究兴趣,取得了大量的应用研究成果,推动了各领域的发展。但是,在实际应用支持向量机方法时,经常会遇到不平衡数据集或高精度要求等问题。为保证稳定的学习性能,本文引入了模式识别中分类器设计的重采样技术——Boosting方法(增强法)。Boosting是一种试图提升任意给定学习算法精度的普遍方法,可以集成任何分类算法的算法框架,有比较完整的数学理论基础。与其他算法相比,Boosting具有适应性强、精度高的优点。AdaBoost(adaptive boosting,自适应增强)算法是Freund等人[3]提出的Boosting算法的一种变形,它有效地解决了早期Boosting算法在实际应用中的困难,其最终判别准则的精确度是依赖所有学习过程得出的假设,因而更能全面地挖掘学习算法的能力。本文将SVM作为AdaBoost集成学习框架的学习器,结合UCI数据进行实验和比较。 ......
很抱歉,暂无全文,若需要阅读全文或喜欢本刊物请联系《计算机应用研究》杂志社购买。
欢迎作者提供全文,请点击编辑
分享:
 

了解更多资讯,请关注“木兰百花园”
分享:
 
精彩图文


关键字
支持中国杂志产业发展,请购买、订阅纸质杂志,欢迎杂志社提供过刊、样刊及电子版。
关于我们 | 网站声明 | 刊社管理 | 网站地图 | 联系方式 | 中图分类法 | RSS 2.0订阅 | IP查询
全刊杂志赏析网 2017