计算机工程与应用
計算機工程與應用
계산궤공정여응용
COMPUTER ENGINEERING AND APPLICATIONS
2014年
8期
99-102,246
,共5页
统计学习理论%支持向量机%VC维%参数选择
統計學習理論%支持嚮量機%VC維%參數選擇
통계학습이론%지지향량궤%VC유%삼수선택
statistical learning theory%support vector machines%VC dimension%parameter selection
寻找支持向量机（SVM）的最优参数是支持向量机研究领域的热点之一。2范数软间隔SVM（L2-SVM）将样本转化成线性可分，在原始单正则化参数L2-SVM的基础上，提出双正则化参数的L2-SVM，获得它的对偶形式，从而确定了最优化的目标函数。然后结合梯度法，提出了一种新的支持向量机参数选择的新方法（Doupenalty-Gradient）。实验使用了10个基准数据集，结果表明，Doupenalty-Gradient方法是可行且有效的。对于实验所用的样本，极大地改善了分类精度。
尋找支持嚮量機（SVM）的最優參數是支持嚮量機研究領域的熱點之一。2範數軟間隔SVM（L2-SVM）將樣本轉化成線性可分，在原始單正則化參數L2-SVM的基礎上，提齣雙正則化參數的L2-SVM，穫得它的對偶形式，從而確定瞭最優化的目標函數。然後結閤梯度法，提齣瞭一種新的支持嚮量機參數選擇的新方法（Doupenalty-Gradient）。實驗使用瞭10箇基準數據集，結果錶明，Doupenalty-Gradient方法是可行且有效的。對于實驗所用的樣本，極大地改善瞭分類精度。
심조지지향량궤（SVM）적최우삼수시지지향량궤연구영역적열점지일。2범수연간격SVM（L2-SVM）장양본전화성선성가분，재원시단정칙화삼수L2-SVM적기출상，제출쌍정칙화삼수적L2-SVM，획득타적대우형식，종이학정료최우화적목표함수。연후결합제도법，제출료일충신적지지향량궤삼수선택적신방법（Doupenalty-Gradient）。실험사용료10개기준수거집，결과표명，Doupenalty-Gradient방법시가행차유효적。대우실험소용적양본，겁대지개선료분류정도。
Searching the optimal parameters is one of the most important area of SVM and often named as parameter opti-mization or parameter selection. The L2-SVM can convert the samples into linearly separable problem. Based on the per-formance, this paper proposes the L2-SVM with two regularization parameters, and the dual formulation of L2-SVM with two regularization parameters is deduced. Combining the objective function established on minimizing the VC dimension and the gradient method, a new algorithm called Doupenalty-Gradient is present. Ten benchmark datasets are used in the experiments, and the classifying accuracy is improved obviously. The experimental results show the wonderful property and the feasibility of Doupenalty-Gradient.
