计算机科学
計算機科學
계산궤과학
COMPUTER SCIENCE
2008年
4期
178-180
,共3页
支持向量机%集成学习%回归%Bagging
支持嚮量機%集成學習%迴歸%Bagging
지지향량궤%집성학습%회귀%Bagging
泛化能力是机器学习关心的一个根本问题,采用集成学习技术可以有效地提高泛化能力.本文提出了一种将支持向量机(Support Vector Machine, SVM)进行选择性集成回归的方法.通过引入三个阈值,可以选择合适的子SVM,从而进一步提高了整个集成学习的效率.实验结果表明,本文提出的选择性集成方法可以在一定程度上解决SVM的模型选择问题和大规模数据集的学习问题,与传统的集成方法Bagging相比具有更高的泛化能力.
汎化能力是機器學習關心的一箇根本問題,採用集成學習技術可以有效地提高汎化能力.本文提齣瞭一種將支持嚮量機(Support Vector Machine, SVM)進行選擇性集成迴歸的方法.通過引入三箇閾值,可以選擇閤適的子SVM,從而進一步提高瞭整箇集成學習的效率.實驗結果錶明,本文提齣的選擇性集成方法可以在一定程度上解決SVM的模型選擇問題和大規模數據集的學習問題,與傳統的集成方法Bagging相比具有更高的汎化能力.
범화능력시궤기학습관심적일개근본문제,채용집성학습기술가이유효지제고범화능력.본문제출료일충장지지향량궤(Support Vector Machine, SVM)진행선택성집성회귀적방법.통과인입삼개역치,가이선택합괄적자SVM,종이진일보제고료정개집성학습적효솔.실험결과표명,본문제출적선택성집성방법가이재일정정도상해결SVM적모형선택문제화대규모수거집적학습문제,여전통적집성방법Bagging상비구유경고적범화능력.