ELMs和SVMs在多分类问题上的泛化性能比较

作者：卢欣欣; 潘丽平

来源：计算机应用与软件, 2019, 36(10): 262-278.

• 极限学习机(ELM)
• 核极限学习机(KELM)
• 支持向量机(SVM)
• 最小二乘支持向量机(LSSVM)
• 多分类问题
• 泛化能力

多分类问题是机器学习、数据挖掘领域的重要研究内容。在文本分类、语音识别、图像识别、基因检测等方面有广泛的应用。通过在UCI数据集对极限学习机算法ELMs(ELM,KELM)和支持向量机算法SVMs(SVM,LSSVM)在多分类问题上的表现进行详细比较,得出以下结论:ELMs相较于SVM在多分类问题上有更高的分类准确率,而且随着分类数目的增加,ELMs的泛化能力相较于SVM提高越多,但是ELMs对于LSSVM并没有得到上述结论;ELMs相较于SVMs对数据的类别数目不敏感,分类准确率随类别数目增加下降不明显;ELMs相较于SVMs在多分类问题上所需计算代价更小,且拥有更快的学习和训练速度,适用于多分类问题。

• 单位
  周口科技职业学院; 周口师范学院