基于大规模数据的自适应参数的多核学分类方法

摘要

本发明公开了一种基于大规模数据的自适应参数的多核学分类方法，包括以下步骤：选定多核学的核函数；载入数据集，将数据集随机分为训练数据集和测试数据集；将训练数据集的单独一维特征值和每一维特征值进行混合，得到核矩阵组；将单位矩阵增加至核矩阵组的第一项构成新的核矩阵组，求解新的核矩阵组的权重参数组，权重参数组的第一项为正则化惩罚因子参数C的倒数，其余项为各个基核的权重参数；通过计算半无限线性规划问题得出分类模型；将测试数据集通过分类模型得到分类结果。本发明将多核学问题转化为半正定线性规划优化问题，解决了大规模数据问题；能够自适应学C参数，提高了求解效率，避免了繁琐交叉验证过程。

主权项

一种基于大规模数据的自适应参数的多核学习分类方法，其特征在于，所述方法包括以下步骤：S1、选定多核学习的核函数；S2、载入数据集，并进行归一化处理，将数据集随机分为训练数据集和测试数据集，其中测试数据集相应的分类标签作为标准分类标签；S3、将训练数据集的单独一维特征值和每一维特征值进行混合，得到核矩阵组，作为构造多核学习目标函数的特征值；S4、将单位矩阵增加至核矩阵组的第一项构成新的核矩阵组，求解新的核矩阵组的权重参数组，权重参数组的第一项为正则化惩罚因子参数C的倒数，其余项为各个基核的权重参数；S5、通过计算半无限线性规划问题得出分类模型；S6、将测试数据集通过分类模型得到分类结果，即分类标签。