概论核方法及核参数的选择.pdfVIP

概论核方法及核参数的选择 A ofKernelMethodsandtheSelectionoftheKernelParameters Summary 邱潇钰+ 张化祥 ZHANG QIUXiao—-yu Hua——xiang 缡要：¨ 本文介绍支持向量机分类非线性数据集的优越性，讨论了基于核的方法，并对核的方法的实质进行了论 述。通过matlab制作的图像可知：核方法的参数的选择对于基于核的分类法具有重要作用。对现有的 选择核参数的方式效果进行了归纳与比较，从而分析得出了各种选择参数方式的优缺点。 蔫键词 支持向量机非线性数据集基于核的方法核参数 AbstractInthis illustratedthe ofSVMin thenon—linear paper，we superiority classifying datasets，dis— and Matalabsoftware cussedthekernel—basedmethoddebateditsessence．Themade showed figuresby that，the selectionof wascrucialforthekemel—basedmethod．Variousmethodsintheselectionofthekemel parameters Were was their associatedwithkernel—based efficacieswere parametersincluded，which methods，and compared as and were well．Further，their advantagesdisadvantagesanalyzed． SvmThenon—linearDatasetsThekernel—methodThekernel Keywords parameters 进行PCA操作，提取样本的非线性特征。典型的基于核的学习 前言 FisherDiscriminant 算法还有核Fisher判别KFDA(KernelAnMy． 传统的学习机器使训练集的误差尽量小，但当训练集有限时 训练集的误差小并不能保证测试集的误差小，即所谓的泛化能力 入空间里的非线性判别量。在这之后，众多研究者纷纷开始“核 问题。而由V．Vapnik等人提出的统计学习理论则是研究有限样化”原有的线性算法，即通过把数据映射到高维特征空问的核代 本的学习问题，它以结构风险最小化准则，不仅考虑减小训练集 入过程把传统的线性算法推广为相应的非线性算法，从而加强传 的误差，同时还尽量减小学习机的复杂性，称为VC维，从而保证 统的线性学习器的计算能力，并且开辟了一个被称为“基于核的 好的泛化能力。并且在此基础上提出了一种新的学习算法一 学习(Kernel—Base SVM。