| SVM-KNN分类器——一种提高SVM分类精度的新方法 |
| |
| 引用本文： | 李蓉,叶世伟,史忠植.SVM-KNN分类器——一种提高SVM分类精度的新方法[J].电子学报,2002,30(5):745-748. |
| |
| 作者姓名： | 李蓉 叶世伟 史忠植 |
| |
| 作者单位： | 中国科技大学研究生院(北京)计算机教学部,北京,100039;中国科学院计算技术研究所智能信息处理实验室,北京,100080 |
| |
| 摘 要： | 本文提出了一种将支持向量机分类和最近邻分类相结合的方法,形成了一种新的分类器.首先对支持向量机进行分析可以看出它作为分类器实际相当于每类只选一个代表点的最近邻分类器,同时在对支持向量机分类时出错样本点的分布进行研究的基础上,在分类阶段计算待识别样本和最优分类超平面的距离,如果距离差大于给定阈值直接应用支持向量机分类,否则代入以每类的所有的支持向量作为代表点的K近邻分类.数值实验证明了使用支持向量机结合最近邻分类的分类器分类比单独使用支持向量机分类具有更高的分类准确率,同时可以较好地解决应用支持向量机分类时核函数参数的选择问题.
|
| 关 键 词： | 支持向量机 最近邻分类 类代表点 核函数 特征空间 VC维 |
| 文章编号： | 0372-2112(2002)05-0745-04 |
| 作者简介： | 李蓉,女,1973年生于北京,1996年于北京理工大学获工学学士位,1999年进入中国科技大学研究生院(北京)计算机软件专业攻读硕士学位,2000年10月至今在中科院计算技术研究所智能信息处理开放实验室做硕士论文,师从于史忠植研究员,研究方向为机器学习、神经计算,已发表学术论文3篇.叶世伟,男,1968年生于四川,分别于1991年、1993年、1996年于四川师范大学、北京大学、中科院计算技术研究所获得理学学士、理学硕士和工学博士学位,现任中科院研究生计算机教学部院副教授,主要研究方向为神经计算、优化理论,已发表学术论文十余篇. |
| |
SVM-KNN Classifier--A New Method of Improving the Accuracy of SVM Classifier |
| |
| LI Rong,YE Shi wei,SHI Zhong zhi.SVM-KNN Classifier--A New Method of Improving the Accuracy of SVM Classifier[J].Acta Electronica Sinica,2002,30(5):745-748. |
| |
| Authors: | LI Rong YE Shi wei SHI Zhong zhi |
| |
| Affiliation: | 1.Dept.of Computing,Graduate School,Science and Technology University of China,Beijing 100039,China;2.National Key Laboratory of Intelligent Information Technology Process,The Institute of Computing Technology,Chinese Academy of Sciences,Beijing 100080,China |
| |
| Abstract: | A new algorithm that combined Support Vector Machine (SVM) with K Nearest neighbour ( K NN) is presented and it comes into being a new classifier.The classifier based on taking SVM as a 1NN classifier in which only one representative point is selected for each class.In the class phase,the algorithm computes the distance from the test sample to the optimal super plane of SVM in feature space.If the distance is greater than the given threshold,the test sample would be classified on SVM;otherwise,the K NN algorithm will be used.In K NN algorithm,we select every support vector as representative point and compare the distance between the testing sample and every support vector.The testing sample can be classed by finding the k nearest neighbour of testing sample.The numerical experiments show that the mixed algorithm can not only improve the accuracy compared to sole SVM,but also better solve the problem of selecting the parameter of kernel function for SVM. |
| |
| Keywords: | support vector machine nearst neighbour algorithm representative point kernel function feature space VC Dimension |
| 本文献已被 CNKI 维普 万方数据 等数据库收录！ |
|
|
|
下载PDF全文