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
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
收藏
页码:297 / 303
页数:7
相关论文
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