CAJ | 학술논문

在支持向量机(support vector machines,SVM)中,训练样本总是具有明确的类别信息,而对于一些不确定性问题并不恰当.受贝叶斯决策规则的启发,利用样本的后验概率来表示这种不确定性.将贝叶斯决策规则与SVM相结合,建立后验概率支持向量机(posteriori probability support vector machine,PPSVM)的体系框架.并详细讨论线性可分性、间隔、最优超平面以及软间隔算法,得到了一个新的优化问题,同时给出了一个支持向量的新定义.实际上,后验概率支持向量机是建立于统计学习理论(statistical learning theory)基础之上,是标准SVM的扩展.针对数据,还提出了一个确定后验概率的经验性方法.实验也证明了后验概率支持向量机的合理性、有效性.
재지지향량궤(support vector machines,SVM)중,훈련양본총시구유명학적유별신식,이대우일사불학정성문제병불흡당.수패협사결책규칙적계발,이용양본적후험개솔래표시저충불학정성.장패협사결책규칙여SVM상결합,건립후험개솔지지향량궤(posteriori probability support vector machine,PPSVM)적체계광가.병상세토론선성가분성、간격、최우초평면이급연간격산법,득도료일개신적우화문제,동시급출료일개지지향량적신정의.실제상,후험개솔지지향량궤시건립우통계학습이론(statistical learning theory)기출지상,시표준SVM적확전.침대수거,환제출료일개학정후험개솔적경험성방법.실험야증명료후험개솔지지향량궤적합이성、유효성.