对gaussian径向基函数核对应特征空间中保形变换及改进.pptVIP

对gaussian径向基函数核对应特征空间中保形变换的改进 [1999] S. Amari,S. Wu. Improving support vector machine classifiers by modifying kernel functions. 本文中首次提出了通过修改核函数来增大训练数据 类间间隔的思想，修改是基于核函数的黎曼几何结构提 出的。主要针对gaussian径向基函数核作出修改。 [2002]Wu. S, Amari.S. Conformal transformation of kernel functions: A data-dependent way to improve the performance of support vector machine classifiers. 本文中作者对修改的合理性给出了理论证 明，并将对核函数的修改扩展到多项式函数核。 文中结论： SVM 是构建于统计学理论基础之上的一种分类方法； SVM不同于传统的基于经验风险最小化的分类方法； 类间间隔越大，分类器的泛化能力越强； 支持向量的数目越少，分类器的泛化能力越强； 映射的选取： 修改核函数的思想： 由于映射 的形式难于确定，SVM的高明之处 在于使用了具体的核函数。当核函数的具体形式被给出 后，相应的映射也就被确定。如果我们对