论文部分内容阅读
利用支持向量机算法来解决两类分类问题已经有了很成熟的发展,但是算法本身对噪音非常敏感,而且对多类分类问题也仍需要进一步的研究和改进,特别是采用层次支持向量机算法还会出现误差累积的问题。
针对上述情况,本文提出一种新的多类分类问题的解决方法,采用模糊隶属度剔除噪声,构造基于类间可分性测度的决策树支持向量机。与传统方法相比,本文的模型避免了拒分区域的出现,克服了误差累积的问题,并且在精度和时间复杂度方面也有所提高,并从数学和实验两个角度说明本文方法的可行性。
本文提出的方法的优点主要体现在:一,缩减训练样本集,减小噪音点对最优分类面选取的影响,减少训练时间;二,采用决策树支持向量机:1)测试时不必遍历所有的子分类器,节省时间;2)避免了拒绝分类区域的出现,或者样本同属于多个类或不属于任何一类的情况;3)自底向上的聚类方式获得较为合理的分类模型以及较好的推广能力。