稀疏隐空间支持向量机80539.pdfVIP

稀疏隐空间支持向量机∗ 王玲 1) 薄列峰 1) 刘芳 2) 焦李成 1) 1) （西安电子科技大学智能信息处理研究所西安 710071 ） 2) （西安电子科技大学计算机学院西安 710071 ） 摘 要: 本文利用 L1 范数放宽函数集的 VC 维上界，构造出基于 L1 范数的结构风险。在隐空间中，利用 这一结构风险，提出了稀疏隐空间支持向量机。由于 L1 范数具有诱导稀疏性的本质，使得稀疏隐空间支持 向量机获得了良好的稀疏性，并且同隐空间支持向量机一样，稀疏隐空间支持向量机对核函数没有Mercer 条件的限制，扩大了核函数的选择范围。在人工和基准数据集上的分类和回归实验表明，所提算法具有同 支持向量机几乎相当的推广能力，并且其稀疏性优于支持向量机，从而使得函数评价速度大大加快。 关键字: 支持向量机、VC 界、结构风险、分类、回归 中图法分类号 TP18 1 引言 Vapnik 所创立的统计学习理论[1] 的一个核心概念是VC 维，它是描述函数集或学习机器 复杂性的一个重要指标。在此概念基础上，Vapnik 给出