基于SVM的多类分类集成

摘要：

为了解决单个SVM可能产生的泛化能力恶化问题以及当SVM采用一对多组合策略解决多类分类时可能产生的误差无界情况,本文采用Bagging方法构造了一个基于SVM的多类分类集成模型,利用MIT KDD 99数据集进行仿真实验,通过实验探讨了其中的两个参数--训练样本数和单分类器个数对集成学习效果的影响,并将其与采用全部样本进行训练及部分样本进行训练的单分类器检测进行了比较.结果表明:集成学习算法能够有效降低采用全部样本进行训练所带来的计算复杂性,提高检测精度,而且也能够避免基于采样学习带来检测的不稳定性和低精度.

关键词：SVM集成、多类分类、Bagging(自助聚集)、入侵检测

所属期刊栏目：34

分类号：TP393(计算技术、计算机技术)

资助基金：国家自然科学基金60543005,60674089;教育部高校博士点基金20040251010;广西青年科学基金项目桂科青0728091

在线出版日期：2008-12-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：734-739