原创力文档- 1、本文档共3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)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
维普资讯
第２９卷第９期计算机工程与设计２００８年５月
ＶＯ１．２９ＮＯ．９ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＤｅｓｉｇｎＭａｙ２００８
基于半监督的联合分类方法
梁燕，徐向阳，吴晓峰
（湖南大学计算机与通信学院，湖南长沙４１００８２）
摘要：提出一种基于半监督的联合分类方法该方法在训练过程中，先构造一个基于类中心思想的简易分类器，通过设定
有效阈值，从未标记数据中挑选区别度较大的数据加入到ＳＶＭ的训练集中；在分类过程中，根据待分类点与分类面的相对
位置，结合ＳＶＭ和ＫＮＮ算法，分两种情况来对其进行分类。实验结果表明，该方法既能在一定程度上克服监督学习算法手
动标记大量训练集的困难，又能相应地提高分类准确率。
关键词：支持向量机；Ｋ近邻算法；标记数据；训练集；监督学习
中图法分类号：ＴＰ３０１文献标识码：Ａ文章编号：１０００—７０２４（２００８）０９—２３２８—０２
Ｕｎｉｔｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｓｅｍｉ—ｓｕｐｅｒｖｉｓｅｄ
ＬＩＡＮＧＹａｎ，ＸＵＸｉａｎｇ—ｙａｎｇ，ＷＵＸｉａｏ—ｆｅｎｇ
Ｃｏ（ｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒａｎｄＣｏｍｍｕｎｉｃａｔｉｏｎ，ＨｕｎａｎＵｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｓｈａ４１００８２，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ａｕｎｉｔｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｉｓｂｒｏｕｇｈｔｆｏｒｗａｒｄｂａｓｅｄｏｎｓｅｍｉ—ｓｕｐｅｒｖｉｓｅｄ．Ｆｏｒｔｈｉｓｍｅｔｈｏｄ，ｉｎｔｈｅｔｒａｉｎｉｎｇｐｒｏｃｅｓｓ，ａ
ｓｉｍｐｌｅｃｌａｓｓｉｆｉｅｒｂａｓｅｄｏｎｔｈｅｉｄｅａｏｆｅａｃｈｃｌａｓｓｈａｖｉｎｇａｃｅｎｔｅｒｉｓｄｅｓｉｇｎｅｄ，ｗｈｉｃｈｃａｎｓｅｌｅｃｅｔｆｆｉｃｉｅｎｔｄａｔａｆｒｏｍｐｌｅｎｔｙｏｆｎｕｌａｂｅｌｅｄｄａｔａ
ｔｏｌａｂｅｌａｎｄｔｈｎｅａｄｄｉｎｔｏｔｈｅＳＶＭｔｒａｉｎｉｎｇｓｅｔ．Ｉｎｔｈｅｃｌａｓｓｉｆｙｉｎｇｐｒｏｃｅｓｓ，ａｃｃｏｒｄｉｎｇｔｏｔｈｅｒｅｌａｔｉｖｅｐｏｓｉｔｉｏｎｏｆｔｈｅｃｌａｓｓｉｙｆｉｎｇｐｏｉｎｔｔｏ
ｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｓｕｒｆａｃｅ，ｃｏｍｂｉｎｅＳＶＭｎａｄＫＮＮ，ｔｈｅｃｌａｓｓｉｆｉｅｒｈａｓｔｗｏｗａｙｓｔｏｄｅｔｅｒｍｉｎｅｉｔｓｃｌａｓｓ．Ｅｘｐｅｒｉｍｅｎｔｓｓｈｏｗｈｔａｔｔｈｅｍｅｔｈｏｄ
Ｃａｎｎｏｔｏｎｌｙｏｖｅｒｃｏｍｅｔｈｅｄｉｆｆｉｃｕｌｔｉｅｓｏｆｔｈｅｓｕｐｅｒｖｉｓｅｄｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍｍａｎｕａｌｌｙｌａｂｅｌｉｎｇｌａｒｇｅｔｒａｉｎｉｎｇｓｅｔｔｏｓｏｍｅｅｘｔｅｎｔ，ｂｕｔａｌｓｏ
ｃｏｒｒｅｓｐｏｎｄｉｎｇｌｙｉｍｐｒｏｖｅｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃ￣
Ｋｅｙｗｏｒｄｓ：ＳＶＭ；ＫＮＮ；ｌａｂｅｌｅｄｄａｔａ；ｔｒａｉｎｉｎｇｓｅｔ；ｓｕｐｅｒｖｉｓｅｄｌｅａｒｎｉｎｇ
ｎｅｉｇｈｂｏｒ）上改进的分类方法。该方法的思路为：如果一个样本
０引言
文档评论（0）