基于主动学习的最小二乘支持向量机稀疏化  

Sparseness of Least Squares Support Vector Machines Based on Active Learning

作　　者：余正涛[1,2] 邹俊杰[1,2] 赵兴[1,2] 苏磊[1,2] 毛存礼[1,2] 

机构地区：[1]昆明理工大学信息工程与自动化学院,云南昆明650051 [2]昆明理工大学智能信息处理重点实验室,云南昆明650051

出　　处：《南京理工大学学报》2012年第1期12-17,共6页Journal of Nanjing University of Science and Technology

基　　金：国家自然科学基金(60863011;61175028);云南省自然科学基金重点项目(2008CC023);云南省中青年学术和技术带头人后备人才项目(2007PY01-11)

摘　　要：针对最小二乘支持向量机(LSSVM)稀疏化问题,提出一种基于主动学习的LSSVM数据稀疏化学习算法。首先基于核聚类的方法选取初始样本,并利用LSSVM构建一个最小分类器,然后计算样本在分类器作用下的分布,选择最接近分类面的样本进行标记,最后将该标记样本加入训练集建立新的分类器,重复上述过程直到模型精度满足要求,以此建立部分样本的LSSVM稀疏化模型。利用加利福尼亚大学欧文分校(UCI)提供的6种数据集进行实验,结果表明,提出的方法使LSSVM的稀疏性提高了46%以上,减少了标注样本带来的成本。To solve the sparseness problem of least squares support vector machine（LSSVM）learning process,this paper proposes a learning algorithm of LSSVM data sparseness based on active learning.This algorithm first selects initial samples based on a kernel clustering method and constructs a minimum classification using LSSVM,calculates the sample distribution under the action of the classifier,and labels the samples closest to hyper planes.These labeled samples are finally added into the training sets to train a new classifier,and the processes are repeated until the model accuracy meets requirements.The LSSVM sparse model of some samples are established.Experiments on the University of California Irvine（UCI）data sets show that the proposed algorithm can increase the sparseness of LSSVM by more 46 percent and reduce the cost of labeling samples.

关 键 词：最小二乘支持向量机 稀疏化 主动学习 分类 

分 类 号：TP181[自动化与计算机技术—控制理论与控制工程]