论文部分内容阅读
大规模的训练集中通常含有许多相似样本和大量对分类器模型构造“无用”的冗余信息，利用全部样本进行训练不但会增加训练时间，还可能因为出现“过拟合”现象而导致泛化能力下降。针对这一问题，本文从最具代表性样本与最近边界样本两个角度综合考虑，提出一种基于改进加权压缩近邻与最近边界规则SVM训练样本约减选择算法。该算法考虑到有价值训练样本对SVM分类器性能的重要影响，引进减法聚类利用改进的加权压缩近邻方法选择最具代表性的样本进行训练，在此基础上利用最近边界规则在随机小样本池中选择边界样本提高分类精度。在UCI和KDD