樣例選擇與軟間隔模糊粗糙支持向量機(jī).pdf

1、在監(jiān)督學(xué)習(xí)任務(wù)中，訓(xùn)練集通常是由隨機(jī)選擇的無類標(biāo)樣例經(jīng)由專家標(biāo)注得到的。而標(biāo)注樣例的這個(gè)過程通常代價(jià)很大，利用主動(dòng)學(xué)習(xí)方法選擇樣例可以減少訓(xùn)練樣例的需求量；支持向量機(jī)與其他的監(jiān)督學(xué)習(xí)方法相比具有一定的優(yōu)勢(shì)。因此，本文結(jié)合支持向量機(jī)與主動(dòng)學(xué)習(xí)提出了一種新的樣例選擇方法。對(duì)于無類標(biāo)池中的每個(gè)樣例和該樣例的所有可能的類標(biāo)情形，考慮該樣例在加入訓(xùn)練集參加訓(xùn)練時(shí)與超平面的距離大小，新方法選擇在最壞的類標(biāo)情形下與新的超平面最近的那個(gè)樣例交給專家標(biāo)注

2、。按照本文方法選擇的樣例可以最大程度地有助于最優(yōu)超平面的構(gòu)造，從而只需標(biāo)注少量的樣例就可以學(xué)到具有較高精度的分類器。實(shí)驗(yàn)驗(yàn)證了新方法的有效性。
　　在利用支持向量機(jī)學(xué)習(xí)最優(yōu)超平面時(shí)，我們沒有考慮訓(xùn)練樣例的條件屬性與決策類標(biāo)的不一致性問題，因此得到的最優(yōu)超平面對(duì)噪音具有敏感性；粗糙集明確定義了一致性的概念，使用依賴函數(shù)衡量樣例的條件屬性與決策類標(biāo)的一致程度，是一種處理模糊和不確定性的有效工具。因此，本文構(gòu)造了軟間隔模糊粗糙支持向量機(jī)