一种提高支持向量机集成差异性的学习方法
在Bagging和Boosting方法的基础上,提出一种改进的支持向量机集成方法以进一步提高集成的泛化性能.给出一种基于混合核函数和相关参数并行扰动的个体支持向量机生成方法,有更多的模型扰动参数可以进一步提高集成的差异度,相应的集成方法分别命名为HK BaggingSVM和HKBoostingSVM.另外,当生成一个个体支持向量机后,采用测试方法确保集成的正确率。在标准UCI和StatLog数据集合上的仿真实验结果表明,HKBaggingSVM和HKBoostingSVM两种集成学习方法可以得到更高的分类性能和推广能力.
支持向量机 分类 集成学习 混合核函数 Bagging
程丽丽 张健沛 杨静 马骏
哈尔滨工程大学计算机科学与技术学院 哈尔滨 150001
国内会议
桂林
中文
97-100
2008-10-24（万方平台首次上网日期，不代表论文的发表时间）