论文研究基于边界样本选择的支持向量机加速算法.pdf

针对支持向量机（SupportVectorMachine，SVM）处理大规模数据集的学习时间长、泛化能力下降等问题，提出基于边界样本选择的支持向量机加速算法。首先，进行无监督的K均值聚类；然后，在各个聚簇内依照簇的混合度、支持度因素应用K近邻算法剔除非边界样本，获得最终的类别边界区域样本，参与SVM模型训练。在标准数据集上的实验结果表明，算法在保持传统支持向量机的分类泛化能力的同时，显著降低了模型训练时间。