粒度支持向量机GSVM(Granular Support Vector Machine)在处理大规模数据集时,粒的划分对其模型的训练效能、泛化能力等有很大的影响。然而传统划分方法的随机性,严重影响着其模型的训练效果。针对这个问题提出一种结合共享最近邻法和...粒度支持向量机GSVM(Granular Support Vector Machine)在处理大规模数据集时,粒的划分对其模型的训练效能、泛化能力等有很大的影响。然而传统划分方法的随机性,严重影响着其模型的训练效果。针对这个问题提出一种结合共享最近邻法和粒度支持向量机的混合模型(GSVM-SNN)。利用共享最近邻法将样本点自动划分成若干个信息粒,从中提取出关键信息。由于支持向量点大都分布在信息粒的边缘,提出一种KNN连通度,通过计算连通度提取纯粒边缘点并融合关键信息建立最终决策模型。实验结果表明,与传统的GSVM相比,该方法在分类时间、分类准确率上都有一定的优越性。展开更多
文摘粒度支持向量机GSVM(Granular Support Vector Machine)在处理大规模数据集时,粒的划分对其模型的训练效能、泛化能力等有很大的影响。然而传统划分方法的随机性,严重影响着其模型的训练效果。针对这个问题提出一种结合共享最近邻法和粒度支持向量机的混合模型(GSVM-SNN)。利用共享最近邻法将样本点自动划分成若干个信息粒,从中提取出关键信息。由于支持向量点大都分布在信息粒的边缘,提出一种KNN连通度,通过计算连通度提取纯粒边缘点并融合关键信息建立最终决策模型。实验结果表明,与传统的GSVM相比,该方法在分类时间、分类准确率上都有一定的优越性。
