融合样本选择与特征选择的AdaBoost支持向量机集成算法
【作者】
杨宏晖
;
王芸
;
孙进才
;
戴健
;
李亚安
【关键词】
分类器集成
AdaBoost算法
支持向量机
样本选择
特征选择
【摘要】为提高AdaBoost分类器集成算法的分类精确度并简化分类系统的复杂度,提出一种融合样本选择与特征选择的AdaBoost支持向量机集成算法(IFSelect-SVME).该算法在AdaBoost算法的每个循环中利用加权免疫克隆样本选择算法进行样本选择,并用互信息顺序向前特征选择算法进行特征选择,再利用每个循环优化选择得到的特征样本子集训练个体SVM分类器,并对其进行加权集成,生成最终的决策系统.对实验所用9组UCI数据集的仿真结果表明:与支持向量机集成(SVME)算法相比,IFSelect-SVME算法的正确分类率有所提高,且样本数可减少30.8%~80.0%,特征数可减少32.2%~81.5%,简化了集成结构,缩短了测试样本的分类时间,所得到的分类系统具有更好的分类精度.
上一篇:利用全局约束霍夫模型的目标跟踪算法
下一篇:健康问题和医生匹配机制的研究