基于二分類SVM的多分類方法比較研究.pdf

1、支持向量機(Support Vector Machine，SVM)是一種基于統(tǒng)計學習理論的新型機器學習方法，具有全局最優(yōu)、結(jié)構(gòu)簡單、推廣能力強等優(yōu)點，因此得到了廣泛的研究和應用。但是SVM方法最初是設計用來解決兩類分類問題的，如何將SVM擴展到多分類問題是SVM研究的重要內(nèi)容之一。
　　本文在分析了SVM的基本理論和基本性質(zhì)的基礎上，針對基于二分類器SVM的多分類方法進行了深入研究。主要研究工作如下。
　　針對目前常見的多分

2、類方法，包括OAA方法、OAO方法、DAG方法、ECOC方法等，總結(jié)并給出了理論上的分類原理分析、糾錯能力分析和算法復雜度比較。引入一種基于數(shù)據(jù)驅(qū)動的拓撲保持輸出編碼(TPOC)方法。
　　在iris、segment、NCI、ISOLET、Letter等多組數(shù)據(jù)集上使用OAA、DAG、ECOC、DECOC等幾種常用多分類算法以及TPOC方法進行了識別率、復雜度和訓練時間的對比實驗。結(jié)果表明，DAG算法具有較高的識別能力和推廣能力，