基于一类支持向量机的样本约简方法

摘要

支持向量机在许多实际应用中由于训练样本集规模较大且具有类内混杂孤立点数据，导致了学习速度慢，存储需求量大等问题。针对这些问题提出了一种新的去样本点的方法。该方法首先基于一类支持向量机(OCSVM)方法，寻找一个超平面，保持与原点间隔最大，去掉超平面下方一侧的异常点，而后基于距离对各类样本分别去边缘点，最后对约简后的数据用SVM进行分类。提出的方法与标准SVM方法的比较显示，所提方法大大减少了训练样本数目，提高了支持向量机训练速度和分类精度。