支持向量机的一种改进的样本简约方法

经典的支持向量机（SVM）训练算法的实质是求解一个凸二次规划问题，当训练样本很多时，算法的速度会比较慢，且如果两类样本过分交叉，又会降低支持向量机的泛化能力。为了加快支持向量机的训练速度和改善其泛化能力。文章提出了一种改进的样本简约方法。该方法首先抽取边界样本，然后对边界样本中可能存在的噪音、孤立点进行修剪，由此得出最终的训练样本。实验结果表明，该简约方法不仅节约了训练时间，而且改善了支持向量机的泛化性能。