本文關鍵詞：隨機傅里葉特征空間中高斯核支持向量機模型選擇

  更多相關文章： 模型選擇 支持向量機 隨機傅里葉特征 高斯核 交叉驗證

【摘要】：模型選擇是支持向量機(support vector machines,SVMs)學習的關鍵問題.標準支持向量機學習本質(zhì)上是求解一個凸二次優(yōu)化問題,求解的時間復雜度為數(shù)據(jù)規(guī)模的立方級,而經(jīng)典的模型選擇方法往往需要多次訓練支持向量機,這種模型選擇方法對于中等規(guī)模的支持向量機學習計算代價已較高,更難以擴展到大規(guī)模支持向量機學習.基于高斯核函數(shù)的隨機傅里葉特征近似,提出一種新的、高效的核支持向量機模型選擇方法.首先,利用隨機傅里葉特征映射,將無限維隱式特征空間嵌入到一個相對低維的顯式隨機特征空間,并推導在2個不同的特征空間中分別訓練支持向量機所得到的模型的誤差上界;然后,以模型誤差上界為理論保證,提出隨機特征空間中核支持向量機的模型選擇方法,應用隨機特征空間中的線性支持向量機來逼近核支持向量機,計算模型選擇準則的近似值,從而評價所對應的核支持向量機的相對優(yōu)劣;最后,在標桿數(shù)據(jù)集上驗證所提出方法的可行性和高效性.實驗結果表明,所提出的模型選擇方法與標準交叉驗證方法的測試精度基本相當,但可顯著地提高核支持向量機模型選擇效率.
【作者單位】： 天津大學計算機科學與技術學院;
【關鍵詞】： 模型選擇 支持向量機 隨機傅里葉特征 高斯核 交叉驗證
【分類號】：TP181;;TP301
【正文快照】： 支持向量機(support　vector　machines,SVMs)選擇,仍需要訓練多個SVM.對于一般規(guī)模的數(shù)據(jù),是在統(tǒng)計學習理論基礎上發(fā)展起來的一類重要的學模型選擇過程已十分耗時,更難擴展到大規(guī)模問題.習方法,是目前流行的數(shù)據(jù)挖掘方法之一[1-2].該方線性SVM研究引起了廣泛關注.大量計算高

【相似文獻】

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 余樂安;姚瀟;;基于中心化支持向量機的信用風險評估模型[A];第六屆（2011）中國管理學年會——商務智能分會場論文集[C];2011年

2 劉希玉;徐志敏;段會川;;基于支持向量機的創(chuàng)新分類器[A];山東省計算機學會2005年信息技術與信息化研討會論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機學習方法[A];全國第19屆計算機技術與應用（CACIS）學術會議論文集（下冊）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機的系統(tǒng)辨識方法研究及應用[A];中國力學大會——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機方法的衢州降雪模型[A];第五屆長三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機方法預測膜蛋白類型[A];第十一次中國生物物理學術大會暨第九屆全國會員代表大會摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機綜述[A];全國第十五屆計算機科學與技術應用學術會議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學與支持向量機[A];2005年中國智能自動化會議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機算法[A];2006中國控制與決策學術年會論文集[C];2006年

10 侯澍e，

本文編號：1099623