|
|||||
|
|
| 支持向量机及其改进算法研究 | |
| 引用本文： | 程学云,吉根林,徐慧.支持向量机及其改进算法研究[J].信息技术,2006,30(10):5-10. |
| 作者姓名： | 程学云 吉根林 徐慧 |
| 作者单位： | 1. 南京师范大学计算机系,南京,210097;南通大学计算机科学与技术学院,南通,226007 2. 南京师范大学计算机系,南京,210097 3. 南通大学计算机科学与技术学院,南通,226007 |
| 基金项目： | 江苏省自然科学基金;南通大学校科研和教改项目 |
| 摘 要： | 支持向量机基于结构风险最小化原则，在经验风险和泛化能力之间折衷。它以其良好的性能。在分类领域得到越来越广泛的应用。探讨了SVM的基本原理，研究了在其基础上的一些改进算法，分析了它们之间的联系和区别，为在实际应用中选择最佳的模型提供参考。 |
| 关 键 词： | 结构风险最小化 支持向量机 泛化能力 |
| 文章编号： | 1009-2552(2006)10-0005-05 |
| 修稿时间： | 2006年4月11日 |
Study of support vector machine and its improved algorithms |
|
| CHENG Xue-yun,JI Gen-lin,XU Hui.Study of support vector machine and its improved algorithms[J].Information Technology,2006,30(10):5-10. | |
| Authors: | CHENG Xue-yun JI Gen-lin XU Hui |
| Abstract: | Support vector machine(SVM) is based on the theory of structure risk minimization(SRM),it rea-(lizes) the trade-off between empirical risk minimization(ERM) and generalization capability.It is more and more widely used in the classification field due to its good performance.The principle of SVM is described,and its improved algorithms are summarized here.At the same time,the relationship and difference among them are discussed,which provides reference for the best model selection in practical applications. |
| Keywords: | structure risk minimization(SRM) support vector machine(SVM) generalization capability |
| 本文献已被 CNKI 维普 万方数据 等数据库收录！ | |