支持向量机(Support Vector Machine,SVM)的在二分问题上表现优异,而在多分问题上易受到基本分类器性能不稳定、集成方式依赖于具体问题等多种因素的影响,因此表现一般.鉴于此,提出一种基于收缩超平面的支持向量分类算法(A Novel Support Vector classification Algorithm based on Shrunk Hyperplane,SVASH).SVASH摈弃了二分思想,通过为各类分别构造穿过其密集分布区的超平面(命名为收缩的超平面),获知各类的鉴别性信息,并根据数据与收缩超平面的投影距离确定其类别.文中提出并证明了收缩超平面的几何性质,以此说明算法的有效性.文中设计了快速训练算法,以提高算法效率.实验表明,SVASH在多分问题上显示出优于同类算法的性能;在二分问题上也有接近最优性能的表现.
支持向量分类器的两种分类模型是超平面和超球体,前者在有重叠类别的数据集上表现不佳,后者存在过适应问题.为此,本文提出了双效分类思想,在训练分类器过程中同时学习类间差异信息及类内特征信息,以克服上述问题并提高分类性能.进而,提出了具体实现算法,支持向量双效分类器(Doubled-Informed classifier based on Support vectors,DISV).DISV为各类生成收缩远离球,并基于此定义决策函数.收缩远离球的球面穿过类内密集分布区,并保持与其他类的最大远离.DISV辅以训练子集抽取策略和参数自适应调整策略以降低算法代价.实验表明,双效分类思想有效,其在心脏肥大数据集上的诊断结果优于同类算法.
