基于Relief和BFO的并行支持向量机算法

打开文本图片集

摘 要：  针对大数据环境下并行支持向量机（SVM）算法存在冗余数据敏感、参数选取困难、并行化效率低等问题，提出了一种基于Relief和BFO算法的并行SVM 算法RBFO-PSVM。首先，基于互信息和Relief算法设计了一种特征权值计算策略MI-Relief，剔除数据集中的冗余特征，有效地降低了冗余数据对并行SVM分类的干扰；接着，提出了基于MapReduce的MR-HBFO算法，并行选取SVM的最优参数，提高SVM的参数寻优能力；最后，提出核聚类策略KCS，减小参与并行化训练的数据集规模，并提出改进CSVM反馈机制的交叉融合级联式并行支持向量机CFCPSVM，结合MapReduce编程框架并行训练SVM，提高了并行SVM的并行化效率。（剩余29205字）