[发明专利]一种多分类样本分类器的生成方法、装置及存储介质

说明书

本发明涉及一种多分类样本分类器的生成方法、装置及存储介质，所述方法包括：获取包含d类训练样本集D_train重新标记后的d个二类训练集D_i＝α(1≤α≤d)；从训练集D_i＝1中随机抽取N个样本数据得到初始样本集并利用支持向量机训练，获得初始模型从D_i＝1中随机获取并接收一个原始样本Zt_i＝1后，在D_i＝1中随机抽取一个当前样本Z*_i＝1，利用上一个接受样本信息与初始模型定义当前样本Z*_i＝1的接收概率，依概率接收Z*_i＝1作为当前样本Zt_i＝1，重复N‑1次后得到马氏样本集利用支持向量机训练得到分类模型并替代重复执行上一步k‑1次，输出基于D_i＝1的二分类模型F_i＝1；对2≤α≤d重复执行上三步得到d‑1个二分类模型，并构建最终分类模型F。解决了现有的多分类器生成方法计算时间长等问题。

技术领域

本发明涉及人工智能领域，尤其涉及一种多分类样本分类器的生成方法、装置及存储介质。

背景技术

支持向量机(SVM)是一类按监督学习方式对数据进行二元分类的广义线性分类器。在各领域的模式识别问题中有广泛应用，包括人像识别、文本分类、笔迹识别、生物信息学等。支持向量机最初是由Vapnik等人针对二分类问题提出的。因为实际应用中的绝大多数数据并不是只有两类的，于是研究出将支持向量机推广到多分类问题的方法。第一种是运用两类支持向量机的方法，如使用OAA-SVM，OAO-SVM和DAG-SVM进行定量分析。但OAO和DAG方法都存在着潜在方差增大的问题。第二种是通过多种规划，一次性考虑所有类别的方法,即AIO-SVM算法。这种方法通常考虑到所有的类关系来解决学习问题，将整个解决方法转化为一个单独的二次规划。尽管理论上是可行的，但迄今为止缺乏有效的训练算法。对于现有的多分类算法，Rifkin和Klautau(2004)指出，虽然存在大量更复杂的多分类方法，但这些方法优于OAA-SVM方法的实验证据要么非常缺乏，要么是实验控制或测量不当。因此，对现有的较好的多分类器如OAA-SVM分类器进行改进与优化，解决在类别与数据量较大时多分类算法训练时存在非常耗时和计算复杂度过高等问题变得非常值得。

发明内容

本发明所要解决的技术问题是提供一种多分类样本分类器的生成方法、装置及存储介质，解决现有的较好的多分类样本分类器如OAA-SVM分类器对类别较多、容量较大的数据进行分类器的生成时存在非常耗时和计算复杂度高等问题。

本发明解决上述技术问题的技术方案如下：所述多分类样本分类器的生成方法，包括以下步骤：

S1，获取包含d类的训练样本集D_train，将d类训练样本集D_train中的第i类样本重新标记为+1，其他(d-1)类所有样本重新标记为-1，获得d个二类样本集D_i＝α其中1≤α≤d,且α∈N⁺；

S2，获取从样本集D_i＝1中随机抽取的N个样本得到初始样本集利用支持向量机对所述初始样本集训练，获得初始模型从样本集D_i＝1中随机获取并接收一个当前样本Zt_i＝1；

S3，在样本集D_i＝1中随机抽取一个候选样本Z*_i＝1，利用当前样本Zt_i＝1与初始模型定义候选样本Z*_i＝1的接收概率，依概率接收Z*_i＝1并作为当前样本Zt_i＝1，重复N-1次后得到马氏样本集

S4，利用支持向量机训练马氏样本集获得基于D_i＝1的二分类模型并将其替代初始模型