一种基于主动学习的SVM增量训练算法

支持向量机通过随机选择标记的训练样本进行有监督学习,随着信息容量的增加和数据收集能力的提高,这种从样本学习的被动学习方法需要耗费大量的标记工作量，给实际应用带来不少困难。针对SVM训练学习过程中难以获得大量带有类标注样本的问题，本文将主动学习策略应用于SVM增量训练中，提出了一种基于距离比值不确定性抽样的主动SVM增量训练算法(DRB-ASVM)，实验结果表明在保证不影响分类精度的情况下,应用主动学习策略的SVM选择的标记样本数量大大低于随机选择的标记样本数量,大大降低了标记的工作量或代价,而且训练速度同样有所提高。