不同种类支持向量机算法的比较研究

被引：9

作者：

谢承旺

机构：

[1] 武汉大学软件工程国家重点实验室

来源：

小型微型计算机系统 | 2008年 / 01期

关键词：

支持向量机; 核函数; 分解算法;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

介绍一种新型的机器学习方法—支持向量机.论述了不同种类支持向量机算法并指出了每种算法的优劣.实验结果显示了核函数中选择合适的参数对分类器的效果是很重要的,通过实验还重点比较了Chunking、SMO和SVM light三种典型分解算法,并分析了训练速度优劣的原因.文章最后给出了今后SVM研究方向的一些预见.

引用

页码：106 / 109

页数：4

共 11 条

[1] 支持向量机最优模型选择的研究 [J].

刘向东 ;

骆斌 ;

陈兆乾 .

计算机研究与发展, 2005, (04) :576-581

[2] 针对大规模训练集的支持向量机的学习策略 [J].

李红莲 ;

王春花 ;

袁保宗 ;

朱占辉 .

计算机学报, 2004, (05) :715-719

[3]

统计模式识别[M]. 电子工业出版社 , (英)AndrewR.Webb著, 2004

[4]

模式识别[M]. 清华大学出版社 , 边肇祺等编著, 2000

[5]

统计学习理论的本质[M]. 清华大学出版社 , (美)VladimirN.Vapnik著, 2000

[6]

Convergence of a Generalized SMO Algorithm for SVM Classifier Design[J] . S.S. Keerthi,E.G. Gilbert.Machine Learning . 2002 (1)

[7] A tutorial on Support Vector Machines for pattern recognition [J].

Burges, CJC .

DATA MINING AND KNOWLEDGE DISCOVERY, 1998, 2 (02) :121-167

[8] SUPPORT-VECTOR NETWORKS [J].

CORTES, C ;

VAPNIK, V .

MACHINE LEARNING, 1995, 20 (03) :273-297

[9]

An Improved Training Algorithm for Support Vector Machines. Osuna E,Freund R,Girosi F. Proceedings of the 1997 IEEE Workshop on Neural Networks for Signal Proceeding . 1997

[10]

Advances in Kernel Methods-Support Vector Learning. Platt J C. MIT Press . 1998

← 1 2 →