一种构建支持向量机融合的新方法

【摘要】：上世纪90年代至今,决策树的Adaboost和Bagging融合得到了系统而彻底的研究,相对而言,由于支持向量机(SVM)具备强分类器特性,使得SVM融合的研究未得到长足发展。提出一种在利用支持向量率定位的低偏差核参数区域内构建SVM融合的新方法。基于两种常用的融合算法Bagging和MultiBoost,通过在径向基的SVM低偏差核参数区域内不同方式的核参数选择,得到改进的Bagging_(low-bias-svm)和MultiBoost_(low-bias-svm)。选择的实验数据涉及10个不同领域的多个UCI数据集,结果表明Bagging_(low-bias-svm)、MultiBoost_(low-bias-svm)在大都数据集上分别优于CART、贝叶斯、神经网络为基学习器的Bagging、MultiBoost融合,并且其成员分类器之间具有更好的互补性。