改进SVM分类算法中多重共线性问题研究

doi:10.3778/j.issn.1002-8331.2010.26.044

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (26): 142-144.DOI: 10.3778/j.issn.1002-8331.2010.26.044

• 数据库、信号与信息处理 • 上一篇下一篇

改进SVM分类算法中多重共线性问题研究

冼广铭^1，2，齐德昱¹，方群²，柯庆³，曾碧卿⁴，肖应旺⁴

1.华南理工大学，广州 510640
2.广州天河软件园管委会博士后科研工作站，广州 510663
3.蓝盾信息安全技术股份有限公司，广州 510631
4.华南师范大学南海学院，广东佛山 528225

收稿日期:2008-04-07 修回日期:2009-12-04 出版日期:2010-09-11 发布日期:2010-09-11
通讯作者: 冼广铭

Research of improving multicollinearity in SVM classification algorithm

XIAN Guang-ming^1，2，QI De-yu¹，FANG Qun²，KE Qing³，ZENG Bi-qing⁴，XIAO Ying-wang⁴

1.South China University of Technology，Guangzhou 510640，China
2.Guangzhou Tianhe Software Park MC post-Doctoral Research Station，Guangzhou 510663，China
3.Bluedon Information Security Technology Co.，Ltd，Guangzhou 510631，China
4.Nanhai Campus，South China Normal University，Foshan，Guangdong 528225，China

Received:2008-04-07 Revised:2009-12-04 Online:2010-09-11 Published:2010-09-11
Contact: XIAN Guang-ming

摘要/Abstract

摘要： 提出了一种可以解决SVM分类算法中的多重共线性问题的因子分析方法。因子分析的核心是用较少的互相独立的因子反映原有变量的绝大部分信息，它既能大大减少参与数据建模的变量个数，简化支持向量机结构，减少支持向量机分类过程中的复杂度和运算量，同时不会改变样本的分布特性，保持样本的分类信息。实验结果表明，通过因子分析对样本数据的处理，使用3个因子代替7个原始变量，原始变量间的多重共线性问题得到了很好的解决。

关键词: 支持向量机, 因子分析, 多重共线性

Abstract: In order to solve this limitation problem of multicollinearity in SVM classification algorithm，the method of factor analysis is proposed.Factor analysis is used to represent most information of original variables by several independent factors.It greatly decreases number of variable for data construction，simplifies construction of SVM，and decreases complexity of classification process of SVM.At the same time，sample distribution characters are remained.Experimental results show that the method above can effectively solve the problem of multicollinearity in SVM classification algorithm.

Key words: support vector machine, factor analysis, multicollinearity

中图分类号:

TP311

冼广铭^1，2，齐德昱¹，方群²，柯庆³，曾碧卿⁴，肖应旺⁴. 改进SVM分类算法中多重共线性问题研究[J]. 计算机工程与应用, 2010, 46(26): 142-144.

XIAN Guang-ming^1，2，QI De-yu¹，FANG Qun²，KE Qing³，ZENG Bi-qing⁴，XIAO Ying-wang⁴. Research of improving multicollinearity in SVM classification algorithm[J]. Computer Engineering and Applications, 2010, 46(26): 142-144.

[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]	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.
[3]	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.
[4]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	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.
[10]	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.
[11]	郑淋文，周金治，黄静. 深度稀疏自编码器在ECG特征提取中的应用[J]. 计算机工程与应用, 2021, 57(11): 156-161.
[12]	温廷新，孔祥博. 不平衡样本下的金融市场极端风险预警研究[J]. 计算机工程与应用, 2020, 56(8): 256-260.
[13]	陈菲雨，岳文斌，饶颖露，邢金昊，马晓静. 基于改进TLD算法的无人机自主精准降落[J]. 计算机工程与应用, 2020, 56(7): 247-254.
[14]	马玲，罗晓曙，蒋品群. 基于模板匹配和支持向量机的点阵字符识别研究[J]. 计算机工程与应用, 2020, 56(4): 134-139.
[15]	张忠林，冯宜邦，赵中恺. 一种基于SVM的非均衡数据集过采样方法[J]. 计算机工程与应用, 2020, 56(23): 220-228.

改进SVM分类算法中多重共线性问题研究

Research of improving multicollinearity in SVM classification algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics