大规模数据集下支持向量机训练样本的缩减策略

大量数据下支持向量机的训练算法是SVM研究的一个重要方向和焦点。该文从分析SVM训练的问题的实质和难点出发,提出一种在训练前先求出类别质心,去除非支持向量对应的样本,从而达到缩小样本集的方法。该方法在不损失分类正确率的情况下具有更快的收敛速度,并从空间几何上解释了支持向量机的原理。仿真实验证明了该方法的可行性和有效性。

大规模训练集的快速缩减

为了进一步减少支持向量机的训练时间,提出了一种基于类别质心的训练集缩减算法.该算法根据样本的几何分布去除训练集中大部分非支持向量.对样本规模在104数量级的数据集进行了训练实验,结果显示,在基本不损失分类精度的情况下,训练时间比直接用SMO(序贯最小优化)算法减少30%,说明该算法能有效地提高支持向量机的训练速度.

基于样本缩减的支持向量机在流分类中的应用

网络流量分类对提高网络服务质量有着非常重要的作用。基于机器学习的网络流量分类中,海量的样本为训练带来了效率瓶颈。论文介绍了SVM算法原理,建立基于改进类别质心的样本缩减策略,并进行实验验证。结果表明,利用缩减样本的SVM训练时间仅为在原样本下训练时间的2%,且分类精度基本不变,证明了样本缩减策略的可行性和有效性。