基于聚类的大样本支持向量机研究  

Clustering-based Large Scale Samples Support Vector Machines

作　　者：奉国和[1] 朱思铭[2] 

机构地区：[1]华南师范大学经济管理学院信息管理系,广州510631 [2]中山大学数学与计算科学学院,广州510275

出　　处：《计算机科学》2006年第4期145-147,共3页Computer Science

基　　金：国家自然科学基金(基金编号:10371135)

摘　　要：针对大样本支持向量机内存开销大、训练速度慢的缺点,本文提出了基于聚类支持向量机,运用 k-mean 对样本聚类,压缩样本量,构造初始超平面,筛选出靠近超平面的支持类和可能支持向量,重新构造决策超平面。实验表明。在保持泛化精度基本一致前提下,改进算法的训练速度明显提高。Training a support vector machines on a data set of huge size exists one problem with stow training process. In this paper,we use a modified support vector machines clustering-based support vector machines to resolve this problent It speeds up the training process lastly comparing with conventional support vector machines under the almost same classification precision.

关 键 词：支持向量机分类 大样本 聚类 

分 类 号：TP181[自动化与计算机技术—控制理论与控制工程] O212.1[自动化与计算机技术—控制科学与工程]