支持向量机的样本减少方法

sample reduction; support vector

训练支持向量机（SVM）需要解决非常大的二次规划（QP）优化问题。传统方法（例如，牛顿法）用于解决此问题，这可能导致训练缓慢并占用大量内存，尤其是对于大型训练集。这些缺点限制了SVM的应用。为了提高支持向量机的训练速度并减少存储需求内存，本文提出了一种通过从原始集合中提取边界样本来减少训练数据量的新方法。人工集和UCI集用于测试我们方法的性能。当训练集是线性可分离的时（例如LS-600和LS-1600），压缩率可以达到93.8％和98.7％，而准确性都达到100.0％。该方法在非线性情况下的性能仍然很好。实验结果表明，该方法可以减少训练数据的数量，保证分类的准确性。

文件下载

评论信息

其他资源

免责申明

【只为小站】的资源来自网友分享，仅供学习研究，请务必在下载后24小时内给予删除，不得用于其他任何用途，否则后果自负。基于互联网的特殊性，【只为小站】无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查；无论【只为小站】经营者是否已进行审查，用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二条之规定，若资源存在侵权或相关问题请联系本站客服人员，zhiweidada#qq.com，请把#换成@，本站将给予最大的支持与配合，做到及时反馈和处理。关于更多版权及免责申明参见版权及免责申明

支持向量机的样本减少方法

文件下载

评论信息

其他资源

免责申明

个人信息

相关资源标签

热门下载

最新下载