HSC分类法及其在海量数据分类中的应用

使用支持向量机对非线性可分数据进行分类的基本思想是将样本集映射到一个高维线性空间使其线性可分.本文则基于Jordan曲线定理,提出了一种通用的基于分类超曲面的分类方法,简称HSC分类法,它是通过直接构造分类超曲面,根据样本点关于分类曲面的围绕数的奇偶性进行分类的一种新分类判断算法,与SVM方法相比,不需要考虑使用何种核函数,不需要做升维变换,直接解决非线性分类问题.对数据分类应用的结果说明:HSC可以有效地解决非线性数据的分类问题,并能够提高分类效率和准确度.     

一种新的海量数据分类方法

使用支持向量机对非线性可分数据进行分类的基本思想是将样本集映射到一个高维线性空间使其线性可分。文章则基于Jordan曲线定理,提出了一种通用的基于分类超曲面的分类法,它是通过直接构造分类超曲面,根据样本点关于分类曲面的围绕数的奇偶性进行分类的一种新分类判断算法,不需作升维变换,不需要考虑使用何种核函数,而直接地解决非线性分类问题。对数据分类应用的结果说明:基于分类超曲面的分类法可以有效地解决非线性数据的分类问题,并能够提高分类效率和准确度。     

分类超曲面方法在海量数据分类中的应用

1 引言人的智慧中一个很重要的方面是从实例学习的能力,通过对已知事实的分析总结出规律,预测不能直接观测的事实。在人们对机器智能的研究中,用机器(计算机)来模拟这种学习能力,这就是我们所说的基于数据的机器学习问题,它是现代智能技术中的重要方面,其研究从观测数据(样本)出发寻找规律,利用这些规律对未来数据或无法观测的数据进行预测(分类)。统计机器学习理论为机器学习问题建立了一个较好的理论框架,也发展了一种新的通用学习算法一支持向量机(SVM),其关键思想是将在低维空间非线性可分的数据通过非线性函数(核函数)映射到一个非常高维的特征空间,并在这个新的线性空间构筑分类超平面。这一结果相应于原始空间就是通过分类超曲面进行分类判别。     

基于超曲面的海量数据直接分类方法

使用支持向量机对海量数据的分类是相当困难的，为了解决这个问题，该文讨论了以下问题：（1）提出了一种通用的基于超曲面的直接分类方法，它是基于Jordan曲线定理，根据围绕数的奇偶进行分类判断的一种新算法；（2）提出了分类超曲面的概念，设计出超曲面的构造方法及基于Jordan定理的分类算法；（3）对双螺旋等问题的分类实验结果说明，分类超曲面可以有效地解决在有限区域分布很复杂的海量的非线性数据分类问题，并能够提高分类效率和准确率。