08-3第八章机器学习-SVM简介.ppt

SVM应用 SVM-GMM的开集说话人识别方法 计算机工程?2011,?37(14)?172-174? 摘要： 建立一种支持向量机-高斯混合模型(SVM-GMM)，用以提高开集说话人识别的识别率。该模型的基本思想是将SVM的分类结果用GMM模型进行确认。由于SVM模型具有较好的分类性能，而GMM模型能够较好地描述类别内部的相似性，因此这2个模型的组合能够优势互补，从而获得较好的识别效果。实验结果表明，使用SVM-GMM模型能有效地提高开集说话人识别的识别率。 基于SVM 的二叉树多类分类算法及其在故障诊断中的应用 摘要: 基于结构风险最小化原则的支持向量机(SVM) 对小样本决策具有较好的学习推广性. 但由于常规SVM 算法是从2 类分类问题推导出的, 在解决故障诊断这种典型的多类分类问题时存在困难, 因而提出一种依赖故障优先级的基于SVM 的二叉树多级分类器实现(2PTMC) 方法, ... 基于SVM 的疑问句问点语义角色标注 SVM(SupportVectorM ach ine)是一种基于结构风险最小化原则的分类算法,由于其完善的理论基础使其在小样本模式识别中表现出比其他算法更好的泛化能力。语义角色标注是一种浅层语义分析的方法。为了加深对问句的理解,对问句的问点进行语义角色标注是必要的。故将问点的语义角色标注视为分类问题,并提出了一种基于SVM的问点语义角色标注方法。在哈工大标准问句集上进行实验,取得了语义角色标注封闭测试91.4%,开放测试71.6%的正确率。实验结果表明本文所采用的方法是有效的。 问点是问句中表达疑问意向的短语(例如“海王星是谁发现的?”、“埃菲尔铁塔在哪个城市?”中的黑体部分)。其在问句中具有非常重要的地位。 SVM应用 基于SVM 的中文组块分析 基于SVM 分类机的入侵检测系统 基于SVM 和纹理的笔迹鉴别方法 基于SVM 决策支持树的城市植被类型遥感分类研究 基于SVM 分类的预警系统 -种基于SVM 的车牌汉字的有效识别方法 基于SVM 的图像分类 基于SVM-HMM 混合模型的说话人确认 基于SVM 增量学习的用户适应性研究 基于SVM 的木材干燥过程含水率软测量研究 基于SVM 的结构可靠度分析响应面方法 基于SVM 实现人眼注视与否的探知 基于SVM 的农业智能决策Web 服务的研究与实现 基于SVM 的脱机手写汉字识别 基于SVM 的仿人对弈机器人视觉图像处理 基于SVM 主动学习算法的网络入侵检测系统 ……….. 基于SVM 决策树的文本分类器 基于SVM 的生物医学命名实体的识别 基于SVM 的疑问句问点语义角色标注 * 基于SVM 的中文报道关系识别方法研究 基于SVM 的中文地名识别 基于SVM 和K-NN 结合的汉语交集型歧义切分方法 参考资料 机器学习（Tom M. Mitchell） 支持向量机导论（Nello Cristianini） 统计学习基础（Trevor Hastie） 统计学习理论（Vladimir N. Vapnik） 作业 1. 已知正了例点为 x1=(3,3),x2=(4,3), 负例点为x3=(1,1),试求最大间隔分离超平面。 2. 针对3输入(x1,x2,x3)异或分类问题，请设计映射函数，在目标空间Y中线性可分。 近似线性可分情况下的支持向量机 解满足的条件 支持向量机基础理论 SVM最终模型 惩罚因子C的选择很重要， 但无任何指导信息 近似线性可分情况下的支持向量机 小结 松弛因子的作用 惩罚因子的作用 用于多分类的支持向量机 多分类 根据某一指标（特征）将某一事物或某些事物分到多类中的一类中去。 用于多分类的支持向量机 SVM是否适于多分类 二分类支持向量机——一个分类超平面 多分类支持向量机——多个分类超平面？？ 目前的支持向量机模型只能进行二分类 对于多分类，只能将多个二分类支持向量机模型 进行组合，采用结构化的支持向量机。 用于多分类的支持向量机 结构化的支持向量机 一对多（one vs others） 一对一（one vs another） 二叉决策树（有向无环图 DAG） 用于多分类的支持向量机 基于“一对多”思想的结构化支持向量机 1 2、3、4、5 SVM 模型1： + - 2 1、3、4、5 SVM 模型2： + - 3 1、2、4、5 SVM 模型3： + - 4 1、2、3、5 SVM 模型4： + - 5 1、2、3、4 SVM 模型5： + - 用于多分类的支持向量机 基于“一对多”思想的结构化支持向量机 有n类，需要n个SVM模型 存在分类重叠问题 存在不可分类问题 人工造成语料偏置问题 用于多分类的支持向量机 基于“一对一”思想