文本分类支持向量机的i-ξα估计

ξα估计是进行支持向量机模型选择的重要指标,它通过分析支持向量的特性,可以在训练一次的情况下估计出训练集发生"留一错误"的次数,进而判断当前模型参数选择的优劣。本文分析了文本向量及RBF核函数的特点,对用于文本分类领域的ξα估计进行了改进,提出了一种计算简便的"i-ξα估计"。实验表明,改进后"i-ξα估计"在保证准确性的前提下,明显提高了计算速度。

特征选择和SVM训练模型的联合优化

提出了特征选择和支持向量机(SVM)训练模型的联合优化方法,利用特征选择和训练模型的互相依赖关系来提高SVM性能。该方法包括3个关键技术:优化目标是提高SVM性能,它是由ξα-estimate方法计算出来的;用一个二进制向量表示特征选择,用混合核函数和折中控制参数来表示训练模型;用演化算法来求解联合优化问题。通过使用入侵检测标准数据,比较了联合优化、单独优化和分开优化方法以及遗传算法(GA)和粒子群优化算法(PSO)的使用效果。结果表明:联合优化方法能更好地提高SVM性能,并且收敛速度更快;GA的效果比PSO要好。