基于边界向量的样本取样SMO算法

在各种支持向量机(SVM)训练算法中,比较突出的训练算法是序贯最小优化(SMO)算法。样本取样SMO算法是在不改变样本分布的前提下对原始训练集进行取样从而压缩样本数量,但由于样本取样具有随机性,如何有效缩减取样范围是改进该算法的主要方向。为此根据边界向量不一定是支持向量,但支持向量一定是边界向量这一理论,得出边界向量集是包含所有支持向量的集合,先提取边界向量再取样,把取样的范围减小到边界向量集里,缩短样本取样SMO算法的时间。实验表明,基于边界向量的样本取样SMO算法的性能要比原算法更优。