郭金玲

（山西大学商务学院 信息学院，山西 太原 030031）

0 引言

支撑向量机是一种以结构风险最小化原理为准则的有效的机器学习方法，在数据分类、预测等研究领域应用较为广泛[1-5]。近年来，伴随大数据技术的发展，针对大规模数据的多分类模型的建立成为数据挖掘技术的研究热点[6-10]。许多学者在对SVM技术进行深入研究后，提出了多种基于SVM的多分类模型，如一对一、一对多、决策树、有向无环图等多分类算法[11-15]。

“一对一”多分类算法的主要思路是在每两类样本之间构造一个二分类器，如果有k类样本，二分类器的个数将达到，该方法构造的分类器个数过多，存在分类器个数过多导致不可分区域出现的弊端。“一对多”多分类算法的主要思路是锁定某一类数据，其余类别的数据都归为另一类，在两者之间构造一个分类器，如果有k类样本，二分类器的个数为k，该方法构造的二分类器个数较少，但是在训练分类器的过程中，需要所有的训练样本参与计算，计算量过大，训练时间过长。“决策树”多分类算法通过计算数据类别的信息熵增益，首先分离出类别属性最易区分的数据，以此类推，从而构造出多分类模型，由于每次分类都需要计算信息熵增益，导致该模型的计算量过大。“有向无环图”算法结合图论和“一对一”算法的解决思路，将若干个二分类器组合得到多分类器，其缺点是分类效果过度依赖于有向无环图中有向节点的排列顺序，算法过于冗余。……