密度聚类支持向量机分类算法的改进

"这篇论文是2005年发表在《西安交通大学学报》上的科研成果，由式方方、赵银亮和蒋泽飞共同完成。研究的主要内容是提出一种将密度聚类与支持向量机（SVM）结合的新型分类算法，以解决传统SVM在处理大规模样本集时的效率问题。通过引入密度聚类方法，可以有效地识别并选择出样本集中的关键边界点，即边缘对象，作为构建SVM模型的基础。实验结果显示，该算法能显著提高分类准确率，从基于无监督聚类的SVM的86.81%提升至95.43%，同时显著降低了核函数的计算复杂度，从10^9数量级降低到10^6以下。此外，通过对密度聚类中核心点的ε-邻域内反例比例进行限制，还能进一步增加约简样本的数量，从而提升分类准确率5%~8%。" 在支持向量机（SVM）的理论基础上，该研究提出了一种创新的算法，旨在克服SVM在大样本集上的局限性。传统的SVM分类器依赖于构建间隔最大的决策边界，但当数据集庞大时，计算量急剧增加，导致处理速度下降。为了解决这一问题，研究者将密度聚类的概念引入SVM，首先对样本集进行预处理。 密度聚类是一种无监督学习方法，它根据样本点的局部密度来划分聚类。在本文中，当一个样本点无法通过密度连接到其他点时，该点被认定为边缘点，具有区分不同类别的特性。这些边缘点被选入新的约简样本集中，用于后续支持向量的选择。这样不仅可以减少SVM的训练样本数量，还可以确保关键信息的保留，从而提高分类性能。 实验部分展示了该算法的有效性。分类准确率的显著提升，以及核函数计算量的大幅下降，都证明了这种方法在处理大规模数据集时的优越性。此外，通过控制核心点ε-邻域内的反例比例，可以进一步优化约简样本集，使得算法的分类性能得到进一步提升。 这篇论文提出了一个有潜力改善SVM在大数据集上分类性能的新方法，对于机器学习和数据挖掘领域的研究具有重要的参考价值。它不仅提高了分类的准确性，还减少了计算复杂性，这在实际应用中具有很高的实用意义。