一种基于K近邻的支持向量机主动学的方法

摘要

本发明公开了一种基于K近邻的支持向量机主动学的方法，具体步骤为：步骤一：用初始已标注样本集L训练一个初始SVM分类器；步骤二：从未标注样本中找到潜在的高信息含量样本集Sp；步骤三：从Sp中找到信息含量最大的样本；步骤四：将此高信息含量的样本交由专家手工标注后放入已标注样本集L中；步骤五：用更新的已标注样本集L重新训练SVM分类器；步骤六：判断是否满足停止准则，满足则停止迭代，输出训练好的SVM分类器，不满足则重复步骤二至步骤五。本发明基于样本的K近邻来判断样本的信息含量，其对样本信息含量的描述更加准确，因而能找到真正的信息含量大的样本，进而能更好地提高分类器的分类性能。

主权项

一种基于K近邻的支持向量机主动学习的方法，其特征是，具体步骤为：步骤一：用初始已标注样本集L训练一个初始SVM分类器；步骤二：用SVM分类器对未标注样本集U中的样本进行分类，取分类间隔内的未标注样本组成潜在的高信息含量样本集Sp；步骤三：对高信息含量样本集Sp内的每个样本，确定每个样本与其K近邻样本所组成的样本集中任意两个样本之间距离的平均值，取平均值最大的样本作为信息含量最大的样本；步骤四：将此高信息含量的样本从未标注样本集U中移除，并交由专家手工标注后放入已标注样本集L中；步骤五：用更新的已标注样本集L重新训练SVM分类器；步骤六：判断是否满足停止准则，满足则停止迭代，输出训练好的SVM分类器，不满足则重复步骤二至步骤五。