基于构造重要空间的主动学习支持向量机概述.docVIP

基于构造重要空间的主动学习支持向量机 Edoardo Pasolli, 学生会员， Farid Melgani, 高级会员, IEEE, Yakoub Bazi, 高级会员 图1、主动学习算法框架图 第一个步骤是所谓的显著性分析，即检测初始训练集L中的信息最显著样本，这个操作是通过训练集L来训练支持向量机分类器（框图中名为SVM1的分类器）完成的。我们定义分类器所选择的支持向量（SVS）为显著样本，而其余样本被简单地定义为不重要样本。我们构建了一组新的集合Lb，使得原始训练样本集合L被重新赋予了显著性的概念。因此，Lb是一个可以区分为两类的集合，它包含了L中的显著样本和非显著样本。因此，第二步的任务是建立一个模型，可以将显著性样本从非显著样本中区分开来。为了这个目的，用新的训练集Lb训练另一个SVM分类器（在程序框图中名为SVM2）。由这第二个分类器所定义的模型可用于分类未标记的学习样本集合U。我们将从集合U中被分类出来的显著性样本定义为US。最后一步是从集合US中随机选择Ns样本，其中，Ns是被添加到训练集L中的样本。最后，随机选择的Us’样本由专家人工标注后添加到训练集L中去。如果模型的训练结果没有达到预先设定的收敛条件时（如训练样本总数不够），整个主动学习的迭代过程将不会停止。 为了更好的理解本文说提出的方法，下面将针对一个实例来进行阐述，结果如图2所示。