基于SVM主动学习的制革企业财务管理数据分类方法

制革企业财务管理数据具备不平衡性和非线性特征,导致难以对于数据属性进行标注,因此提出了一种基于SVM主动学习的制革企业财务管理数据分类方法。依靠向量空间模型对制革企业财务管理数据特征项进行提取并降维,将降维后的数据映射到特征空间。在特征空间利用SVM主动学习机进行数据属性标注,结合分类决策概率实现制革企业财务管理数据分类。仿真实验结果表明,所提方法的制革企业财务管理数据分类效果好,容错率较低,Kappa系数较高,制革企业财务管理数据分类效果更加理想。

基于偏侧分类间隔的多标签SVM主动学习

为了解决多标签SVM主动学习对不均衡数据集学习效率低下问题,该文提出一种基于偏侧分类间隔的SVM主动学习选择策略,即依据当前分类器,选择样本数量少,位于分类超平面一侧分类间隔中间的正类样本进行标记,加入训练集,训练分类器。实验证明在相同训练样本情况下,基于偏侧分类间隔的选择策略与传统的基于版本空间SVM主动学习选择策略相比能够获得更高分类精度。

基于SVM主动学习的网络入侵检测算法研究

网络高度发展的今天,网络安全已经提升到了一个空前的高度,入侵检测系统应用的兴起也促进了更多的入侵检测技术与算法的研究。检测系统的监测性能直接取决于对训练样本集中数据样本的学习。而现阶段构建训练样本集又十分的昂贵和费时。支持向量机SVM是一种能在训练样本数很小的情况下达到很好的分类推广学习算法,它能够较好地解决小样本学习问题,同时具有很好的泛化能力。本文提出将支持向量机主动学习运用于入侵检测,通过SVM主动挑选学习样本,在保证分类器的分类精度不降低的情况下,达到提高训练速度和降低构建训练样本集成本的目的。