一种数据依赖的核优化方法

• 作 者: 门昌骞 王文剑 王平
• 机 构: 山西大学计算机与信息技术学院系统工程研究所,太原,030006
• 出 处: 第十一届中国人工智能学术年会
• 发表日期: 2005年期
• 关键词: 数据依赖 选择方法 支持向量机 计算复杂度 优化问题 训练样本 数值实验 求解 模型 样本集 近似凸 核参数 切割 分布

模型选择是支持向量机(SupportVectorMachine,SVM)研究中的核心问题之一.本文提出一种数据依赖的模型选择方法,通过角度切割样本集求解训练样本的近似凸包以确定最优核参数.该方法可以克服传统的基于求解优化问题的方法所具有的计算复杂度高的缺点,且无论数据是否稠密,分布是否均匀都可适用.数值实验说明了本文提出的方法的可行性与有效性.