基于不同的損失函数SVM的优化形式.docVIP

第三次作业 针对不同的损失 函数SVM的优化形式 姓 名：侯艳巧 班 级：研2—118 学 号：1102121349 学 院：电子工程学院 导 师：吴建设 电 话 损失函数 在模式分类的决策中,使错误率达到最小是重要的。但在实际问题中，如诊断、癌细胞识别等，有时需要考虑一个比误判率更为广泛的概念——风险。例如，对于故障诊断，如果把正常状态诊断为故障状态，就可能会进行一些不必要的维修，造成一定的损失；而如果把真正的故障状态诊断为正常状态，则会延误维修工作，可能会造成设备的损坏，带来更大的甚至不可挽回的损失。显然，后者的损失比前者要大得多。因此，在进行故障诊断、癌细胞识别等问题的研究时，就应该考虑到这一点。 传统的最小风险Bayes故障决策就是把各种分类错误而引起的损失考虑进去的决策规则。在将SVM应用到这些问题时也应该将这些因素考虑进去。 SVR 损失函数 1). e不敏感损失函数 ε-支持向量回归机——ε-SVR算法 (1)设已知训练集，其中 。 (2)选择适当的正数ε和C；选择适当的核。 (3)构造最优化问题 s.t. (4)求得支持向量。根据KKT条常，有成立，也就是只有支持向量对应的拉格朗日乘子不等于零。因此，可以只采用训练样本中的少数支持向量就可以实现