一种支持向量机预处理方法的研究

摘要

支持向量机(Support Vector Machine, SVM)在处理大规模数据集时,随着样本维度增高,样本数量增多会出现训练时间显著增多的问题。为了解决该问题,文章提出了一种基于主成分分析(Principal Component Analysis, PCA)和K边界近邻法(K Nearest Bound Neighbor, KNBN)的SVM预处理方法;先用PCA对训练数据降维消除训练数据中的冗余信息,然后利用KNBN预选取训练数据中的支持向量来减少训练数据量。数值实验结果表明,与PCA-SVM、KNBN-SVM和无数据预处理的SVM方法相比,采用本文提出的SVM预处理方法既保持了良好的分类预测精度,又缩短了大量训练时间。