基于特征选择的SVM选择性集成学习方法被引量：4

下载PDF

导出

摘要本文提出了一种结合SVM的选择性集成学习方法。算法基于集成学习的基本框架,通过对输入的训练子集进行特征选择处理并对随后的基分类器进行泛化能力的排序和选择,形成了一个新的集成分类器,以提高性能。文中试验采用UCI数据集与传统的Bagging算法做对比,结果表明本文算法可以有效地改善分类效果。

作者扈晓君康宁

机构地区山东中医药大学

出处《电子技术与软件工程》 2019年第18期143-144,共2页 ELECTRONIC TECHNOLOGY & SOFTWARE ENGINEERING

关键词支持向量机特征选择选择性集成学习

分类号 TP3 [自动化与计算机技术—计算机科学与技术]

引文网络
相关文献

参考文献2

1徐勋华,王继成.支撑向量机的多类分类方法[J].微电子学与计算机,2004,21(10):149-152. 被引量：27
2王国胜,钟义信.支持向量机的若干新进展[J].电子学报,2001,29(10):1397-1400. 被引量：74

二级参考文献5

1Amari S，Neural Networks，1999年，12卷，783页被引量：1
2Vladimir N.Vapnik著,张学工译.统计学习理论的本质.北京.清华大学出版社,2000. 被引量：1
3边肇祺,张学工编著.模式识别.第二版,北京,清华大学出版社,2000.pp284-304 被引量：1
4Angulo Cecilio Parra Xavier Català, Andreu. K-SVCR. A support vector machine for multi-class classification.Neurocomputing Volume. 55, Issue: 1-2, September, 2003,pp. 57-77. 被引量：1
5J Weston and C Watkins. Multi-class support vector machines.Royal Holloway University of London, Technical Report,CSD-TR-98-04, May 20, 1998. 被引量：1

共引文献97

1袁著祉,陈增强,李翔.联接主义智能控制综述[J].自动化学报,2002,28(S1):38-59. 被引量：3
2叶菲,罗景青,俞志富.一种改进的并行处理SVM学习算法[J].微电子学与计算机,2009,26(2):40-43. 被引量：6
3祝庆荣,董守斌,陈彬.基于SMO和指纹技术在线邮件过滤方法与优化[J].郑州大学学报（理学版）,2009,41(1):90-93. 被引量：1
4张明,龙鹏飞.基于聚类、粗糙集和支持向量机的故障诊断[J].微机发展,2004,14(8):38-40. 被引量：1
5周延军,贾江鸿.预测套管损坏的新方法研究[J].探矿工程（岩土钻掘工程）,2009,36(S1):230-234. 被引量：2
6张晓惠,林柏钢.基于特征选择和多分类支持向量机的异常检测[J].通信学报,2009,30(S1):68-73. 被引量：20
7李长虹,李堂秋.一种改进的特征选择方法在文本分类系统中的应用[J].学术问题研究,2005,0(1):94-98.
8张曙红,张金隆,陈德军.面向电子商务的客户关系管理数据挖掘模型研究[J].工业工程与管理,2004,9(4):78-82. 被引量：5
9闫友彪,陈元琰.机器学习的主要策略综述[J].计算机应用研究,2004,21(7):4-10. 被引量：56
10李海云,谢春琦.支持向量机在路基沉降预测中的应用[J].中外公路,2004,24(4):9-12. 被引量：3

同被引文献24

1杨福增,杨亮亮,田艳娜,杨青.基于颜色和形状特征的茶叶嫩芽识别方法[J].农业机械学报,2009,40(S1):119-123. 被引量：67
2林新春,方伟.竹亚科分类学研究进展[J].竹子研究汇刊,2005,24(1):1-6. 被引量：16
3朱嫣岚,闵锦,周雅倩,黄萱菁,吴立德.基于HowNet的词汇语义倾向计算[J].中文信息学报,2006,20(1):14-20. 被引量：326
4王勇,沈明霞,姬长英.基于颜色信息和形状特征的棉桃识别方法[J].农业机械学报,2007,38(11):77-79. 被引量：18
5高程程,惠晓威.基于灰度共生矩阵的纹理特征提取[J].计算机系统应用,2010,19(6):195-198. 被引量：175
6张华鑫,庞建刚.基于SVM和KNN的文本分类研究[J].现代情报,2015,35(5):73-77. 被引量：15
7王金华,喻辉,产文,周向东,施伯乐.基于KNN+层次SVM的文本自动分类技术[J].计算机应用与软件,2016,33(2):38-41. 被引量：7
8丛瑞雪,崔丽鸿.应用模糊支持向量机进行英文情感分类[J].数学的实践与认识,2016,46(1):197-201. 被引量：3
9苏毅娟,邓振云,程德波,宗鸣.大数据下的快速KNN分类算法[J].计算机应用研究,2016,33(4):1003-1006. 被引量：29
10梅莉莉,黄河燕,周新宇,毛先领.情感词典构建综述[J].中文信息学报,2016,30(5):19-27. 被引量：22

引证文献4

1包芳,殷柯欣.特征选择算法综述及进展研究[J].科技风,2020,0(6):231-231. 被引量：4
2李鼎.机器学习情感分析方法改进研究[J].西安航空学院学报,2020,38(1):65-70. 被引量：1
3王舒梵.优化K-means的不平衡数据分类研究[J].电子技术与软件工程,2020(16):197-199.
4邓莹,金爱武,朱强根,方婷.机器视觉下多特征组合的竹子分类方法[J].软件导刊,2021,20(6):33-38. 被引量：1

二级引证文献6

1吕丰.属性依赖度的纵横快速计算方法[J].海南热带海洋学院学报,2020,27(5):91-98.
2曹浪财,林晓昌,苏思行.基于矩阵分解和自适应图的无监督特征选择[J].系统工程与电子技术,2021,43(8):2197-2208. 被引量：2
3陈迪,程朗,王志锋,熊锦鹏,张玉茹,黎高赞.论坛情感挖掘研究综述:现状、挑战与趋势[J].计算机工程与应用,2021,57(17):17-28. 被引量：3
4张小莉,王品,熊超,葛建军.基于支持向量机的国内上市公司运营预测[J].绿色科技,2022,24(9):251-254.
5王凌妍,张鑫雨,许胜楠,王禹力,甄志龙.逻辑回归的敏感性分析及在特征选择中的应用[J].信息记录材料,2022,23(7):30-33.
6李月峰,焦飞飞,瞿梦菊.芯片表面异物检出清洁自动化设备的设计与实现[J].电脑编程技巧与维护,2022(12):3-7.

1金朝.基于k-means聚类的Bagging算法研究[J].光学与光电技术,2019,0(4):27-32. 被引量：5
2刘建平.机电一体化技术及其应用概述[J].科学与信息化,2019,0(19):4-4.
3苗丰顺,李岩,高岑,王美吉,李冬梅.基于CatBoost算法的糖尿病预测方法[J].计算机系统应用,2019,28(9):215-218. 被引量：25
4杜俊杰,朱永忠,丁根宏.基于Mean Decrease Impurity改进XGBoost算法[J].信息技术,2019,43(9):1-4. 被引量：2
5罗康洋,王国强.L-SMOTE与SVM结合的不平衡数据集分类研究[J].计算机工程与应用,2019,55(17):55-62. 被引量：12
6李孔渤,王春东.基于集成学习的安卓恶意程序检测技术[J].天津理工大学学报,2019,35(4):43-46. 被引量：1
7贾宪波.吉林省玉米高产高效种植技术要点[J].农业工程技术,2019,39(20):58-59. 被引量：2
8任雪,郭艳.基于主动集成学习的中医智能诊断模型及构建方法[J].中国循证医学杂志,2019,19(9):1118-1123. 被引量：9
9何丽,刘颖,韩克平.噪声标注下的改进TSVM学习算法[J].计算机工程与应用,2019,55(17):44-50. 被引量：2
10苏有权,刘少芹,张波,朱长栓.钢包透气砖损毁原因分析及改进[J].山西冶金,2019,42(3):168-169. 被引量：3

电子技术与软件工程

2019年第18期

浏览历史

内容加载中请稍等...

基于特征选择的SVM选择性集成学习方法被引量：4

参考文献2

二级参考文献5

共引文献97

同被引文献24

引证文献4

二级引证文献6

相关作者

相关机构

相关主题

浏览历史

基于特征选择的SVM选择性集成学习方法 被引量：4

参考文献2

二级参考文献5

共引文献97

同被引文献24

引证文献4

二级引证文献6

相关作者

相关机构

相关主题

浏览历史

基于特征选择的SVM选择性集成学习方法被引量：4