基于局部线性重构的主动支持向量机分类器构建方法

发布时间：2017-08-31 14:05

  本文关键词：基于局部线性重构的主动支持向量机分类器构建方法

  更多相关文章： 样本初选 主动支持向量机 局部线性重构 支持向量 主动学习

【摘要】：针对基于距离的主动支持向量机(Distance-Based Active SVM,DASVM)在选取初始标记样本时采用了随机的策略而影响了分类器学习效率和分类性能的问题,提出了一种基于局部线性重构的主动支持向量机分类器构建方法(CLASVM)。CLASVM在DASVM分类器构建方法的基础上增加了基于类内-类间局部线性重构的训练样本初选策略,该训练样本初选策略以"聚类假设"和"流形假设"的思想为指导,选取若干同时具有最大类间重构误差和最小类内重构误差的样本作为初选样本进行标记。实验表明,CLASVM在样本初选阶段能够选取较多的支持向量,样本标记成本减少,训练效率与分类器性能与其他参与对比的分类器相比有显著提升。
【作者单位】： 中国科学院大学博士后科研流动站;中国工商银行博士后科研工作站;中国科学院大学管理学院;北京理工大学信息与电子学院;
【关键词】： 样本初选 主动支持向量机 局部线性重构 支持向量 主动学习
【基金】：国家863项目(2015AA8017032) 国家自然科学基金资助项目(61301090)
【分类号】：TP18
【正文快照】： 1引言在传统的监督学习中,获得大量已标记类别的样本是训练分类器的前提。然而,训练样本类别标记是一项耗时耗力的工作,样本标记所花费的时间是其获取时间的10倍以上[1]。为解决监督学习过程中训练样本类别标记代价较高的问题,Lewis等提出了主动学习(Active Learning)方法[2]，

本文编号：766006