摘要：该文针对现有的加权支持向量机（WSVM）和模糊支持向量机（FSVM）只考虑样本重要性而没有考虑特征重要性对分类结果的影响的缺陷,提出了基于特征加权的支持向量机方法,即特征加权支持向量机（FWSVM）。该方法首先利用信息增益计算各个特征对分类任务的重要度,然后用获得的特征重要度对核函数中的内积和欧氏距离进行加权计算,从而避免了核函数的计算被一些弱相关或不相关的特征所支配。理论分析和数值实验的结果都表明,该方法比传统的SVM具有更好的鲁棒性和分类能力。

关键词：支持向量机 特征加权 信息增益 机器学习 

单位：北京交通大学计算机与信息技术学院 北京100044