基于DDAG的SVM多类分类主动学习算法

摘要

本发明公开了一种基于DDAG的SVM多类分类主动学习算法，在多类SVM训练学习过程中引入主动学习思想，充分利用传统“一对多”或“一对一”多类分类方法在测试样本时存在大量的不可分点或决策盲区的缺点，提出了一种基于“o-v-o”分类决策盲区的主动学习算法，主动选择这些不可分或决策盲区中对当前学习器来说就是“最不确定性”的样本，针对主动学习中仅使用单一主动学习策略存在的局限性，在多类SVM训练学习中提出一种基于后验概率及相似度度量不确定性多策略融合的主动学习方法，并将这两种主动学习方法有效得进行了融合，减小了SVM训练学习中的样本标记规模，减少学习的样本标记代价，以尽可能少的标记样本训练获得性能尽可能高的SVM分类器。