核函数的性质及其构造方法

被引:53
作者
王国胜
机构
[1] 德州学院计算机系
关键词
支持向量机; 核函数; 机器学习; 核方法;
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
支持向量机是一项机器学习技术,发展至今近10年了,已经成功地用于模式识别、回归估计以及聚类等,并由此衍生出了核方法。支持向量机由核函数与训练集完全刻画。进一步提高支持向量机性能的关键,是针对给定的问题设计恰当的核函数,这就要求对核函数本身有深刻了解。本文首先分析了核函数的一些重要性质,接着对3类核函数,即平移不变核函数、旋转不变核函数和卷积核,提出了简单实用的判别准则。在此基础上,验证和构造了很多重要核函数。
引用
收藏
页码:172 / 174+178 +178
页数:4
相关论文
共 4 条
[1]   A tutorial on Support Vector Machines for pattern recognition [J].
Burges, CJC .
DATA MINING AND KNOWLEDGE DISCOVERY, 1998, 2 (02) :121-167
[2]   SUPPORT-VECTOR NETWORKS [J].
CORTES, C ;
VAPNIK, V .
MACHINE LEARNING, 1995, 20 (03) :273-297
[3]  
On optimal nonlinear associative recall[J] . T. Poggio.Biological Cybernetics . 1975 (4)
[4]  
Generalization bounds for convex combinations of kernel functions .2 Scholkopf S W. NeuroCOLT2.Technical Report Series NC2-TR-1998-022 . 1998