基于迭代稀疏组套索及SVM的高维分类研究

高维数据存在大量的冗余变量和噪声,传统的分类方法在高维情况下通常效果不佳。为提高分类性能,将迭代稀疏组套索和支持向量机结合,提出了一种新的高维分类方法iSGL-SVM。分别在prostate和Tox_171数据集上验证了所提出的方法,并与其它三种方法进行比较。实验结果表明,该方法具有更好的变量选择效果和较高的分类精度,可广泛应用于高维小样本数据集的分类。