支持向量机(Support Vector Machine,SVM)的在二分问题上表现优异,而在多分问题上易受到基本分类器性能不稳定、集成方式依赖于具体问题等多种因素的影响,因此表现一般.鉴于此,提出一种基于收缩超平面的支持向量分类算法(A Novel Support Vector classification Algorithm based on Shrunk Hyperplane,SVASH).SVASH摈弃了二分思想,通过为各类分别构造穿过其密集分布区的超平面(命名为收缩的超平面),获知各类的鉴别性信息,并根据数据与收缩超平面的投影距离确定其类别.文中提出并证明了收缩超平面的几何性质,以此说明算法的有效性.文中设计了快速训练算法,以提高算法效率.实验表明,SVASH在多分问题上显示出优于同类算法的性能;在二分问题上也有接近最优性能的表现.
