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。
Support vector machine algorithm becomes another important technique after neural networks in the field of machine learning,but the evaluation and choice for kernel function is not solved.Based on the structural risk theory,a quantity estimation is proposed though empirical risk and confidence interval,and an evaluation formula for kernel function is given.This article points out the default of traditional definition of empirical risk,and gives a new definition.The results of simulation experiment show the feasibility and effectiveness of the method.
出处
《计算机工程》
CAS
CSCD
北大核心
2007年第19期186-187,198,共3页
Computer Engineering
基金
上海市特种光纤重点实验室科研项目(20050926)
四川省教育厅青年基金资助项目(2006B119)
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
kernel function
support vector machine
linearly separable degree
linearly dispersion degree
structural risk
