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

收藏

页码：297 / 303

页数：7

相关论文

共 11 条

[11] The connection between regularization operators and support vector kernels [J].

Smola, AJ ;

Scholkopf, B ;

Muller, KR .

NEURAL NETWORKS, 1998, 11 (04) :637-649