论文部分内容阅读
支持向量机是基于统计学习理论,最终归结为最优化方法问题的一种新型机器学习方法,支持向量机是基于两类分类问题而提出的,对多类分类问题的研究目前还存在许多问题,有很多工作要做,并且支持向量机对噪声和异常点是敏感的,提高支持向量机的抗噪能力有待进一步研究。针对支持向量机对噪声和异常点是敏感的,为了减少噪声和异常点对SVM的影响,提出了一种减少噪声影响的支持向量机。考虑了每一个样本点的重要程度,设计了一种新的目标函数,对样本点的被错划的程度进行了重新的描述,控制了误差函数的范围,这样通过求解多偶问题获得了简化分隔超平面,增大了超平面的分类间隔,并且减少了支持向量的个数,减少了运行时间。实验结果显示我们提出的方法比标准的支持向量机有更好的分类效率和泛化能力。