文献类型：期刊文献

中文题名：基于SVM的多类分类集成

英文题名：SVM Based Multi-class Classification Ensemble

作者：张红梅[1,2];高海华[1];王行愚[1]

机构：[1]华东理工大学信息科学与工程学院,上海200237;[2]桂林电子科技大学信息与通信学院,广西桂林541004

年份：2008

卷号：34

期号：5

起止页码：734

中文期刊名：华东理工大学学报（自然科学版）

外文期刊名：Journal of East China University of Science and Technology

收录：CSTPCD;;EI(收录号：20084811740433);Scopus;北大核心:【北大核心2004】；CSCD:【CSCD2011_2012】；

基金：国家自然科学基金(60543005,60674089);教育部高校博士点基金(20040251010);广西青年科学基金项目(桂科青0728091)

语种：中文

中文关键词：SVM集成;多类分类;Bagging(自助聚集);入侵检测

外文关键词：SVM ensemble; multi-class classification; Bagging （Boostsrap aggregation）; intrusion detection

摘要：为了解决单个SVM可能产生的泛化能力恶化问题以及当SVM采用一对多组合策略解决多类分类时可能产生的误差无界情况,本文采用Bagging方法构造了一个基于SVM的多类分类集成模型,利用MIT KDD 99数据集进行仿真实验,通过实验探讨了其中的两个参数——训练样本数和单分类器个数对集成学习效果的影响,并将其与采用全部样本进行训练及部分样本进行训练的单分类器检测进行了比较。结果表明:集成学习算法能够有效降低采用全部样本进行训练所带来的计算复杂性,提高检测精度,而且也能够避免基于采样学习带来检测的不稳定性和低精度。
To overcome the deterioration of generalization ability caused by individual SVM and the problem of unbounded error begotten by using one-against-rest combination of SVM in multi-class classification, a Bagging based multi-class SVM ensemble model is constructed and applied to the MIT KDD 99 dataset to perform the simulation experiment. In the simulation experiment, the performance of SVM ensemble are evaluated by choosing the training sample number and the number of base classifiers, and then comparison with the individual classifier using all training data and using sampled training data. The result demonstrates that the Bagging based SVM ensemble algorithm can depress the complex of computation in classifier with all training data and improve the detection rate; Moreover, it can avoid the instability and the low precision in classifier with sampled training data.