新型二分类支持向量机P2M-SVM.docVIP

Artificial Intelligence and Robotics Research 人工智能与机器人研究, 2013, 2, 67-70 /10.12677/airr.2013.21012 Published Online February 2013 (/journal/airr.html) New Binary Classifier P2M-SVM* Jinjin Liang , De Wu 1# 2 1 Department of Mathematical Sciences, Xi’an Shiyou Univerisity, Xi’an 2 School of Computer Sciences, Xidian University, Xi’an # Email: myonlyonly@126.com Received: Jan. 18 , 2013; revised: Jan. 31 , 2013; accepted: Feb. 6 , 2013 th st th Abstract: A semi-supervised binary support vector machine (SVM) is proposed based on possibilistic two-means (P2M) clustering. First, divide the unlabeled data using PCM; then, train the labeled data using SVM. Experiments on artificial and UCI data show the superiority over existing algorithm. P2M-SVM utilizes both the robustness of P2M for binary clustering and the strong generalization ability of SVM for classification thus increases the classification accuracy of traditional clustering and reduces the cost of sample collecting of the SVM. Keywords: P2M; Semi-Supervised; SVM; Robustness; Generalization Ability 新型二分类支持向量机 P2M-SVM* 1# 梁锦锦，吴德 2 1 西安石油大学理学院，西安 西安电子科技大学计算机学院，西安 2 Email: myonlyonly@126.com # 收稿日期：2013年 1月 18日；修回日期：2013年 1月 31日；录用日期：2013年 2月 6日 摘 要：提出基于可能性二均值聚类(Possibilistic Two Means, P2M)的二分类支持向量机(Support Vector Machine, SVM)。该算法先用 P2M 对未知类别的二分类数据进行划分，然后利用支持向量机对划分后的数据进行训练。 人造数据和 UCI数据上的分类实验表明，该算法综合利用了 P2M聚类的稳健性和 SVM分类的强泛化能力，提 高了传统聚类的分类精度并降低了 SVM的类别采集代价。 关键词：可能性二均值聚类；半监督二分类支持向量机；全局最优；稳健性；泛化能力 1.引言 人脸识别，文本分类，手写体识别和蛋白质结构预测 [3,4] 等领域 。由于大量的信息以数据的形式产生并被无 基于结构风险最小化原则建立起来的小样本机 标志的保存，且对很多现实问题数据进行手工分类是 不可行的，这就限制了标准 SVM的应用。 器学习方法）——支持向量机(Support Vector Machine, SVM)由 Vapnik等提出，是一种基于统计学习理论的 聚类作为一种无监督分类方法，按照一定的规则 将数据分成不同的簇，使得同一簇中的对象之间具有 较高的相似度，而不同簇中的对象差别较大。传统的 C均值硬划聚类将每个待处理对象严格的划分到每个 类中，隶属度不是 1 就是 0，从而不能真正反映对象 和类的实际关系[5,6]。Zedeh提出的模糊集理论为软