支持向量回归中核函数和超参数选择方法综述

被引：36

作者：

肖建

于龙

白裔峰

机构：

[1] 西南交通大学电气工程学院

来源：

西南交通大学学报 | 2008年 / 03期

关键词：

支持向量回归; 模型; 核; 超参数;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

摘要：

支持向量回归(SVR)模型结构对降低经验风险和减小置信范围十分重要.为了系统深入地分析SVR模型选择方法,将现有的典型的模型选择方法分为核的选择和超参数确定,并从不同的方面对其进行了综述和评价.SVR的精确性和推广能力很大程度上依赖于核函数及超参数.提出了今后研究的方向.

引用

页码：297 / 303

页数：7

共 11 条

[1] 尺度核支持向量机及在动态系统辨识中的应用 [J].

胡丹 ;

肖建 ;

车畅 .

西南交通大学学报, 2006, (04) :460-465

[2] MISO系统的混合核函数LS-SVM建模 [J].

朱燕飞 ;

伍建平 ;

李琦 ;

毛宗源 ;

不详 .

控制与决策 , 2005, (04) :417-420+425

[3] 一种贝叶斯证据框架下支持向量机建模方法的研究 [J].

阎威武 ;

常俊林 ;

邵惠鹤 .

控制与决策, 2004, (05) :525-528+533

[4] 基于插值的核函数构造 [J].

吴涛 ;

贺汉根 ;

贺明科 .

计算机学报, 2003, (08) :990-996

[5]

SVM regression through variational methods and its sequential implementation[J] . J.B. Gao,S.R. Gunn,C.J. Harris.Neurocomputing . 2003 (1)

[6]

Improved sparse least-squares support vector machines[J] . Gavin C. Cawley,Nicola L.C. Talbot.Neurocomputing . 2002 (1)

[7]

Weighted least squares support vector machines: robustness and sparse approximation[J] . J.A.K. Suykens,J. De Brabanter,L. Lukas,J. Vandewalle.Neurocomputing . 2002 (1)

[8]

A Probabilistic Framework for SVM Regression and Error Bar Estimation[J] . J.B. Gao,S.R. Gunn,C.J. Harris,M. Brown.Machine Learning . 2002 (1)

[9] New support vector algorithms [J].

Schölkopf, B ;

Smola, AJ ;

Williamson, RC ;

Bartlett, PL .

NEURAL COMPUTATION, 2000, 12 (05) :1207-1245

[10] Least squares support vector machine classifiers [J].

Suykens, JAK ;

Vandewalle, J .

NEURAL PROCESSING LETTERS, 1999, 9 (03) :293-300

← 1 2 →