摘要
支持向量机(SupportVectorMachine,SVM)是近几年发展起来的机器学习新方法,以高斯核为核函数的支持向量机在实际应用中表现出良好的学习性能,被广泛应用于模式分类中。论文研究了高斯核支持向量机分类在IRIS分类问题上的应用,并结合结构风险最小化原则分析了误差惩罚参数C和高斯核宽度σ对SVM性能的影响,最后通过数值实验进一步分析了这种影响。
Support Vector Machine（SVM） is a novel machine learning method.Gauss kernel function is widely used in support vector machine because of its good properities.In this paper,the classification algorithm of support vector with Gaussian kernel and its application in IRIS are discussed.Based on structural risk minimization principal,the influences of the error penalty parameter C and the kernel parameter σ on support vector machine＇s generalization ability are studied.Finally experimental results further analyze the influences.
出处
《计算机工程与应用》
CSCD
北大核心
2006年第1期77-79,共3页
Computer Engineering and Applications
基金
国家973基础研究规划资助项目(编号:2002CB3122000)
国家自然科学基金资助项目(编号:60074027)
国家863高技术研究发展计划资助项目(编号:2003AA412010)
关键词
支持向量机
结构风险最小化原则
高斯核
核参数
support vector machine,structural risk minimization,Gauss kernel,kernel parameters
