统计学习理论和支持向量机描述.ppt

第13章 统计学习理论和支持向量机Chapter 13 : Statistical learning theory and support vector machines 算法改进与性能分析 13.5.4 支持向量机当前的研究状况（续） 例：剪辑支持向量机 原始样本集 SVM初分类 去除错分样本 与重叠区样本 得到新样本集 SVM再分类 13.5.4 支持向量机当前的研究状况（续） 与其它学习模型的等价性 例：ＳＶＭ与基于规划的神经网络的等价性 著名的M-P神经元模型 对线性可分样本集 通常设增广向量 可将样本集分开的某分类面必满足： 基于规划的神经网络： 其中 13.5.4 支持向量机当前的研究状况（续） 核函数设计及模型选择 RBF KMOD KMOD RBF EXPO RBF核： KMOD核： KMOD核的好处： 核函数K从某种意义上说是原始空间两个向量间相关性的度量。当　　　非常大时，ＲＢＦ核使本该存在的向量间的相关性变为０，而ＫＭＯＤ核考虑了这种相关性． 例： Kernel with Moderate Decreasing (KMOD) 13.5.4 支持向量机当前的研究状况（续） SVM快速算法 第一类：　分解算法 　(1) Chunking (Vapnik et al. ) (2) Work Set (Osuna et