基于RBF核函数支持向量机参数选择_林升梁.pdfVIP

第35 卷第2 期 Vol. 35 No.2 2007 年4 月 JOURNAL OF ZHEJIANG UNIVERSITY OF TECH NOLOGY Apr. 2007 RBF 1 2 , ( 1 , 310032; 2 , 310032) : 由于SVM 在各个领域中得到越来越广泛的应用, 而决定SVM 性能的因素是核 数的选取. 其中, RBF 核 数是应用最广泛的核 数, 且有两 个参数: 惩罚因子C 和核参数. 因此, 希望能找 lsv 到最优化参数组( C, ) 使SVM 具有最好推广性. 首先提出了用E = 代替留一法来评估 SVM 的 n 推广性, 它的优点是速度快准确性高; 然后, 分析参数C 和对SVM 性能的影响, 由此将问题归 结在一 个小的好区内选取最优参数组( C, ) ; 最后, 分别用穷举法和下文所提出的方法进行比 ~ 较, 得出在好区内用C= C( 常数) 来确定最优化参数同样能得到很好的推广性, 而且速度上比穷 举法快的多. 此方法, 具有一定的实际应用价值. :支持向量机; RBF 核参数; 惩罚因子C; 推广识别率 :T P181 : A : 1006 4303( 2007) 02 0163 05 Parameter selection in SVM with RBF kernel function 1 2 LIN Sheng liang , LIU Zhi ( 1College of Inform ation Engineering, Zhejiang University of T echnology, Hangzhou, 310032, China; 2College of Software, Zhejiang University of T echnology, Hangzhou, 310032, China) Abstract: Support vector machines ( SVM) is more and more applied in the various fields in recent years. Selection of kernel function is a pivotal factor which decides performance of SVM . The RBF kernel function is most widely used in SVM . T here are two parameters in this function: the penalty parameter C and the kernel parameter. The optimization parameters ( C, ) will make