基于边界点的支持向量机分类算法

为了解决标准支持向量机在空间和时间上过度消耗的问题,提出了一种利用边界点训练支持向量机的新方法。首先计算每两个样本之间的欧式距离,找出每个样本点的同类近邻集和异类近邻集,根据该样本点到两个集合的距离,判断其是否可能成为边界点。其次根据每个样本近邻集中同类样本数目的多少来删减样本集。该方法只用了少量的边界点对支持向量机进行训练,同时排除了噪声点和孤立点及混杂在异类中的点对决策超平面的影响,提高了分类器的泛化能力。实验结果表明,与传统支持向量机、最近邻支持向量机、K-近邻支持向量机相比,在分类精度相当时,该方法有效地减少了训练样本的数量。