page 1 1 一种增量式支持向量机文本分类模型1 an incremental .pdfVIP

一种增量式支持向量机文本分类模型1 的热门课题，研究从观测数据出发寻找规律，利用 这些规律对未来数据或无法观测的数据进行预测。 An Incremental Support Vector Machine Text 迄今为止，关于机器学习还没有一个被计算机界共 Classification Model 同接受的理论框架，关于其实现方法大致可以分为 栾江 唐常杰 黄晓冬 阴小雄 廖勇 三种[2]：（1）经典的参数估计方法。（2 ）经验非线 （四川大学计算机学院 成都 610064 ） 性方法。 (3) 基于统计学习理论的方法（Statistical Abstract: Text classification has been considered as a Learning Theory 简称 SLT）。 hot research area in data mining. Incremental testing is 1992－1995 年，在 SLT 基础上 V.Vapnik 提出一 an effective method for learning the classification 种新的通用学习方法──支持向量机。SVM 是基于 knowledge from massive data, especially in the 结构风险最小化原理 SRM 的方法，SRM 使得 VC 维 situation of high cost in getting labeled classical 即泛化误差的上确界最小化，从而使 SVM 具有更好 examples. In this paper, (1) A new incremental SVM 的泛化能力[3]。其技术要点是：根据有限的样本信 text classification model is presented based on text 息，在模型的复杂性和学习能力之间寻求最佳折衷 classification tasks and SLT, including rational analysis 点，以此寻求获得最好的推广能力。SVM 最初是针 and an incremental algorithm(ISVM). (2) The 对分类问题提出的，目前也被推广到回归问题上。 incremental process is discussed with incremental 2.2 SUPPORT VECTOR MACHINE learning and updating the classification parameters with SVM 基于统计学习理论之结构风险最小化原 new sample. (3) the model is applied in a practical text 则，旨在保持经验风险值固定而最小化置信范围， categorization system based on VSM developed by our 类似与神经网络理论。其方法如下，SVM 从学习线 lab. (4)The extensive experiment results are given to r ur r ur 性决策规则 开始，其中 为权值向 h x sign w ⋅x +b w ( ) { } show substantial improvements over incremental SVM testing me