- 1、本文档共6页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
( )
华 东 理 工 大 学 学 报 自然 科 学 版 Vol . 34 No . 5
734 ( )
J ournal of Ea st China U niver sit y of Science and Technology Nat ural Science Edition 200810
文章编号 (2008)
基于 SVM 的多类分类集成
1 ,2 1 1
张红梅 , 高海华 , 王行愚
( 1. 华东理工大学信息科学与工程学院 ,上海 200237 ;
2 . 桂林电子科技大学信息与通信学院 ,广西 桂林 54 1004)
摘要 :为了解决单个 SV M 可能产生的泛化能力恶化问题以及当 SV M 采用一对多组合策略解
决多类分类时可能产生的误差无界情况 ,本文采用 Bagging 方法构造了一个基于 SV M 的多类分
类集成模型 ,利用 M I T KDD 99 数据集进行仿真实验 ,通过实验探讨了其中的两个参数 ———训练
样本数和单分类器个数对集成学习效果的影响 ,并将其与采用全部样本进行训练及部分样本进行
训练的单分类器检测进行了比较 。结果表明:集成学习算法能够有效降低采用全部样本进行训练
所带来的计算复杂性 ,提高检测精度 ,而且也能够避免基于采样学习带来检测的不稳定性和低精
度 。
( )
关键词 : SV M 集成 ; 多类分类 ; Bagging 自助聚集 ; 入侵检测
中图分类号 : TP393 文献标识码 :A
SVM Based Multiclass Classif ication Ensemble
Z H A N G H ongm ei 1, 2 , GA O H aih u a1 , WA N G X i ngy u 1
( 1. S chool of I nf orm at ion S cience an d E ng i nee ri ng , E as t Chi na Uni v ers i ty of S cience an d Tech nol og y ,
S h ang h ai 200237 , Chi n a; 2 . S chool of I nf orm at ion an d Com m unicat ion , Gui l i n Uni v ers i ty of
)
E lect ronic Tech nol og y , Gui l i n
文档评论(0)