生物信息学
生物信息學
생물신식학
BIOINFORMATICS
2010年
3期
219-222
,共4页
支持向量回归机%广度优先搜索%参数选择%交叉验证
支持嚮量迴歸機%廣度優先搜索%參數選擇%交扠驗證
지지향량회귀궤%엄도우선수색%삼수선택%교차험증
支持向量回归机(Support vector regressio,SVR)模型的拟合精度和泛化能力取决于其相关参数的选择,其参数选择实质上是一个优化搜索过程.根据启发式广度优先搜索(Heuristic Breadth first Search,HBFS)算法在求解优化问题上高效的特点,提出了一种以k-fold交叉验证的最小化误差为目标,HBFS为寻优策略的SVR参数选择方法,通过3个基准数据集对该模型进行了仿真实验,结果表明该方法在保证预测精度前提下,大幅度的缩短了训练建模时间,为大样本的SVR参数选择提供了一种新的有效解决方案.
支持嚮量迴歸機(Support vector regressio,SVR)模型的擬閤精度和汎化能力取決于其相關參數的選擇,其參數選擇實質上是一箇優化搜索過程.根據啟髮式廣度優先搜索(Heuristic Breadth first Search,HBFS)算法在求解優化問題上高效的特點,提齣瞭一種以k-fold交扠驗證的最小化誤差為目標,HBFS為尋優策略的SVR參數選擇方法,通過3箇基準數據集對該模型進行瞭倣真實驗,結果錶明該方法在保證預測精度前提下,大幅度的縮短瞭訓練建模時間,為大樣本的SVR參數選擇提供瞭一種新的有效解決方案.
지지향량회귀궤(Support vector regressio,SVR)모형적의합정도화범화능력취결우기상관삼수적선택,기삼수선택실질상시일개우화수색과정.근거계발식엄도우선수색(Heuristic Breadth first Search,HBFS)산법재구해우화문제상고효적특점,제출료일충이k-fold교차험증적최소화오차위목표,HBFS위심우책략적SVR삼수선택방법,통과3개기준수거집대해모형진행료방진실험,결과표명해방법재보증예측정도전제하,대폭도적축단료훈련건모시간,위대양본적SVR삼수선택제공료일충신적유효해결방안.
