多类支持向量机推广性能分析

被引：9

作者：

闫志刚 ^{[1
,2
,3
]}

杜培军 ^{[1
,2
]}

机构：

[1] 中国矿业大学环境与测绘学院

[2] 江苏省资源环境信息工程重点实验室

[3] 中国矿业大学深部岩土力学与地下工程国家重点实验室

来源：

数据采集与处理 | 2009年 / 24卷 / 04期

基金：

中国博士后科学基金;

关键词：

多类支持向量机; ECOCSVMs; H-SVMs;

D O I：

10.16337/j.1004-9037.2009.04.024

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

摘要：

为了分析多类支持向量机(Multi-category support vector machines,M-SVMs)的推广性能,对常用的M-SVMs算法加以概述,推导、总结了理论推广误差公式。对于给定的样本集,可以设计合理的编码来提高ECOCSVMs的推广性能,通过构造合理的层次结构来提高H-SVMs推广性能,其余M-SVMs算法的推广性能均取决于样本空间。研究结果为有效使用M-SVMs提供了依据,为改进M-SVMs指明了方向。

引用

页码：469 / 475

页数：7

共 7 条

[1] 一种新型的矿井突水分析与预测的支持向量机模型
闫志刚
白海波
张海荣
[J]. 中国安全科学学报, 2008, (07) : 166 - 170
[2] 多类支持向量机方法的研究现状与分析
赵春晖
陈万海
郭春燕
[J]. 智能系统学报, 2007, (02) : 11 - 17
[3] 支持向量机多类分类方法
苟博
黄贤武
[J]. 数据采集与处理, 2006, (03) : 334 - 339
[4] 支持向量机在多类分类问题中的推广
刘志刚
李德仁
秦前清
史文中
[J]. 计算机工程与应用, 2004, (07) : 10 - 13+65
[5] 支持向量机与纠错编码相结合的多类分类算法
夏建涛
何明一
[J]. 西北工业大学学报, 2003, (04) : 443 - 448
[6] 数据挖掘中的新方法[M]. 科学出版社 , 邓乃扬,田英杰著, 2004
[7] Enlarging the margins in perceptron decision trees
Bennett, KP
Cristianini, N
Shawe-Taylor, J
Wu, DH
[J]. MACHINE LEARNING, 2000, 41 (03) : 295 - 313

← 1 →