基于隨機子空間的最小最大模塊化支持向量機研究與實現(xiàn).pdf

1、最小最大模塊化支持向量機（M3-SVM）是一種能夠有效處理大規(guī)模數據分類問題的集成學習方法。為了提高對大規(guī)模數據和不平衡數據的分類性能，本文提出一個基于隨機子空間的M3-SVM算法，來實現(xiàn)降維和增加其特征層面上的集成機制。該方法通過提高基分類器準確率，增加基分類器之間的差異性，最終提高整個最小最大模塊化“網絡”的集成性能。該方法除了提高大規(guī)模數據分類的性能，還能與并行計算系統(tǒng)相結合，充分利用其本身具有的并行特點，極大提高其分類效率。本論

2、文主要研究內容包括以下兩個方面：
　　第一，提出了基于隨機子空間的M3-SVM算法。該方法從特征層面上對各個基分類器的訓練樣本進行優(yōu)化，并且通過該方法獲得不同的特征子集來提高基分類器之間的差異性以得到更優(yōu)的分類性能，從而進一步提高最小最大模塊化網絡的分類性能。
　　第二，設計和實現(xiàn)了基于消息傳遞接口（MPI）的M3-SVM算法模型。M3網絡在提出之初就是考慮到要充分利用分布式并行計環(huán)境，來解決大規(guī)模數據的分類問題。因此開發(fā)了