支持向量机理论算法及研究综述.pdfVIP

本期“复杂性科学 专栏评述 ◆李绍荣◆ ◎评《支持向量机理论与算法研究综述》 色的学习性能，已经成为当前机器学习界的研究热点．SVM还是一种基于核函数的学习机器，其泛化能力 在很大程度上依赖于所选择的核函数。SVM的学习效率取决于样本数据集的规模，但是现有的SVM对于 实际问题的大规模样本数据集的训练效率并不能达到理想的训练效率．因此，为使SVM算法的训练效率和 泛化性能进一步提升，对于算法本身的完善和改进不可避免． 虽然SVM在理论上有很突出的优势，但与理论研究相比。应用研究还比较滞后，目前只有比较有限的 实验研究报道，且多属于仿真和对比试验．如何将SVM更多地应用于实际生活，需要不断地进行新的探索． 然在训练效率、误差率、泛化性能等方面均有所提升，但是这些新型支持向量机也各有缺点，比如TWSVMs 不具有稀疏性，泛化性较低。 Vector Vector 本文对粒度支持向量机(Granular Machine，GSVM)、模糊支持向量机(Fuzzy Support