基于聚类边界提取的支持向量机算法

传统的支持向量机都是训练大规模的数据样本,需要花费较多的时间,这使得支持向量机的应用受到了限制,为了较好的推广,提出了一系列优化算法,比如支持向量预提取方法[1]、边界样本选取以及改进的各种算法,提高了训练的准确性、泛化能力、训练效率。提出了在聚类后删除纯簇的方法提取边界样本点,在此基础上又提出了采用改进的聚类算法在聚类后删除纯簇提取边界样本点的方式得到新的训练样本,再利用支持向量机训练分类器。实验验证了此方法不仅提高了训练的效率,而且提高了分类的准确率。

基于CDIO的高校大数据教育实践思考

针对大数据教学质量面临挑战的问题,笔者将大数据教学和CDIO的理论有效结合,以具体应用实例为导向,激发学生的学习兴趣,引导学生主动学习,提高学生的学习能力,经过教学验证,效果良好。因此,基于CDIO理念的大数据高校教育,值得广泛推广与应用。