支持向量机中核函数的性能评价策略

被引：4

作者：

罗瑜 ^{[1
]}

李涛 ^{[2
]}

王丹琛 ^{[3
]}

何大可 ^{[1
]}

机构：

[1] 西南交通大学信息科学与技术学院

[2] 四川文理学院

[3] 四川省信息安全测评中心

来源：

关键词：

核函数; 支持向量机; 线性可分度; 线性密集度; 结构风险;

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：

继神经网络方法之后,支持向量机成为机器学习领域中的有效方法,但是核函数的评价和选取问题一直存在。该文从结构风险出发,通过经验风险和置信区间2个方面对核函数的性能进行量化,给出评价核函数性能的公式,指出传统经验风险定义的缺陷,并提出了一个新的定义。实验证明了该算法的可行性和有效性。

引用

页码：186 / 187+198 +198

页数：3