一种基于QBC的SVM主动学习算法
2015-06-05徐海龙别晓峰吴天爱
系统工程与电子技术 2015年12期
徐海龙,别晓峰,冯 卉,吴天爱
(空军工程大学防空反导学院,陕西西安710051)
一种基于QBC的SVM主动学习算法
徐海龙,别晓峰,冯 卉,吴天爱
(空军工程大学防空反导学院,陕西西安710051)
针对支持向量机(souport vector machine,SVM)训练学习过程中样本分布不均衡、难以获得大量带有类标注样本的问题,提出一种基于委员会投票选择(query by committee,QBC)的SVM主动学习算法QBC-ASVM,将改进的QBC主动学习方法与加权SVM方法有机地结合应用于SVM训练学习中,通过改进的QBC主动学习,主动选择那些对当前SVM分类器最有价值的样本进行标注,在SVM主动学习中应用改进的加权SVM,减少了样本分布不均衡对SVM主动学习性能的影响,实验结果表明在保证不影响分类精度的情况下,所提出的算法需要标记的样本数量大大少于随机采样法需要标记的样本数量,降低了学习的样本标记代价,提高了SVM泛化性能而且训练速度同样有所提高。
主动学习;支持向量机;委员会投票选择算法;分类
0 引 言
经典的支持向量机(support vector machine,SVM)训练算法都是基于大量带有类标记样本的监督学习方法,而在很多的实际应用中,对样本集进行类别标记存在着代价昂贵、枯燥乏味或是异常困难等问题,而获取未被标注的样本则相对容易,同时大量未标注样本含有丰富的有助于学习器的信息,如有效地利用未标注样本无疑将在一定程度上提高学习算法的性能[1]。
面对上述这种情况,传统的监督学习方法,即被动学习要构建分类正确率满足要求的分类器将是十分困难的。……
登录APP查看全文
