一种提高支持向量机性能的特征选择新方法

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (3): 183-185.

一种提高支持向量机性能的特征选择新方法

孙刚^1,2,王志平¹,王明新³

1.大连海事大学数学系，辽宁大连 116026
2.通化师范学院数学系，吉林通化 134002
3.北华大学理学院，吉林 132000

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2008-01-21 发布日期:2008-01-21
通讯作者: 孙刚

New feature selection method of improve performance of SVM

SUN Gang^1,2,WANG Zhi-ping¹,WANG Ming-xin³

1.Department of Mathematics，Dalian Maritime University，Dalian，Liaoning 116026，China
2.Department of Mathematics，Tonghua Normal University，Tonghua，Jilin 134002，China
3.College of Sciences，Beihua University，Jilin 132000，China

Received:1900-01-01 Revised:1900-01-01 Online:2008-01-21 Published:2008-01-21
Contact: SUN Gang

摘要/Abstract

摘要： 利用支持向量机进行模式分类时，特征选择是数据预处理的一项重要内容。有效的特征选择在很大程度上影响着分类器的性能。根据样本各特征分量的均值与方差对分类的影响，提出根据分类权值进行特征选择，以提高支持向量机性能的简便方法，制定了两个具体实施方案。在三个常用数据集上进行了仿真实验，结果验证了方法的有效性。

关键词: 支持向量机, 特征选择, 分类权

Abstract: Feature selection is an important content of data preprocessing in pattern recognition based on SVM.The valid feature selection affects the performance of classification machine to a large extent.According to the effect of the mean and the square difference of each feature of samples，a simple and convenient feature selection method based on the values of classification power is presented，and two concrete schemes are introduced to improve the performance of support vector machine.Three experiments on common datasets confirm the usefulness of the method.

Key words: Support Vector Machine（SVM）, feature selection, classification power

孙刚^1,2,王志平¹,王明新³. 一种提高支持向量机性能的特征选择新方法[J]. 计算机工程与应用, 2008, 44(3): 183-185.

SUN Gang^1,2,WANG Zhi-ping¹,WANG Ming-xin³. New feature selection method of improve performance of SVM[J]. Computer Engineering and Applications, 2008, 44(3): 183-185.

[1]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[2]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[3]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[4]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[5]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[6]	温杰彬，杨文忠，马国祥，张志豪，李海磊. 基于Apex帧光流和卷积自编码器的微表情识别[J]. 计算机工程与应用, 2021, 57(4): 127-133.
[7]	李俊侠，张秦，郑桂妹. 超宽带雷达人体姿态识别综述[J]. 计算机工程与应用, 2021, 57(3): 14-23.
[8]	徐先峰，蔡路路，张丽. 融合MLP和DBN的光伏发电预测算法[J]. 计算机工程与应用, 2021, 57(3): 266-272.
[9]	陈富健，谢维信，夏婷. 基于LCT+的自适应抗遮挡目标跟踪算法[J]. 计算机工程与应用, 2021, 57(22): 190-198.
[10]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[11]	李珑珠，林耀进，吕彦，卢舜，王晨曦. 利用邻域信息交互的在线流特征选择算法[J]. 计算机工程与应用, 2021, 57(21): 102-108.
[12]	杨泉. N1+N2结构语法关系判定的SVM算法[J]. 计算机工程与应用, 2021, 57(20): 104-108.
[13]	陈倩茹，李雅丽，许科全，刘铱龙，王淑琴. 自调优自适应遗传算法的WKNN特征选择方法[J]. 计算机工程与应用, 2021, 57(20): 164-171.
[14]	高晋，赵云芃，Godfred Kim Mensah，李欣芸，刘志芬，陈俊杰，郭浩. 静息态功能脑连接的空间动态分析及分类研究[J]. 计算机工程与应用, 2021, 57(2): 150-155.
[15]	秦博宇，郝晓燕，刘永芳. 基于SVM和CRF双层模型的FrameNet框架消歧[J]. 计算机工程与应用, 2021, 57(18): 255-262.