基于改进Joachims上界的SVM泛化性能评价方法

被引：6

作者：

宋小杉

蒋晓瑜

汪熙

姚军

机构：

[1] 装甲兵工程学院控制工程系

来源：

电子学报 | 2011年 / 39卷 / 06期

关键词：

支持向量机; 高斯核; 泛化性能评价; 改进Joachims上界;

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：

留一法(Leave One Out,LOO)错误率是评价支持向量机(Support Vector Machine,SVM)性能最准确方法,LOO错误率越小,SVM泛化性能越好.但LOO实现起来较为费时.因此人们提出了LOO错误率的各种上界作为近似,最有代表性的是Joachims上界和Jaakkola-Haussler上界.基于LOO上界的SVM泛化性能评价方法不但较为准确,而且耗时大大减小.本文首先证明了在径向基函数(Radial Basis Function,RBF)为核函数的SVM中,Joachims上界和Jaakkola-Haussler上界是等价的;其次对Joachims上界进行理论分析,指出了其不足之处,并予以改进,得到了改进的Joachims上界;最后通过实验对LOO错误率J、aakkola-Haussler上界J、oachims上界和改进的Joachims上界进行了比较,结果显示改进的Joachims上界比Jaakkola-Haussler上界和Joachims上界更加接近LOO错误率,是一种更加准确的SVM泛化性能评价方法.

引用

页码：1379 / 1383

页数：5