- 51
- 0
- 约9.85千字
- 约 14页
- 2020-09-28 发布于山东
- 举报
支持向量机( SVM )原理及应用
一、 SVM 的产生与发展
1995年Vapnik ( 瓦普尼克 ) 在统计学习理论的基础上提出 SVM作为模式识别的新方法之后, SVM一直倍受关注。同年, Vapnik 和Cortes 提出软间隔 (soft margin)SVM,通过引进松弛变量 i 度量数据 xi 的误分类 ( 分类出现错误时 i 大于 0) ,同时在目标函数中增加一个分量用来
惩罚非零松弛变量 ( 即代价函数 ) ,SVM的寻优过程即是大的分隔间距和小的误差补偿之间的平
衡过程; 1996年, Vapnik 等人又提出支持向量回归 (Support Vector Regression ,SVR)的方
法用于解决拟合问题。 SVR同SVM的出发点都是寻找 最优超平面 ( 注:一维空间为点; 二维空间
为线;三维空间为面;高维空间为超平面。 ) ,但 SVR的目的不是找到两种数据的分割平面,
而是找到能准确预测数据分布的平面, 两者最终都转换为最优化问题的求解; 1998年,Weston
等人 根据 SVM原理 提出 了用于解 决多类分 类的 SVM方 法 (Multi-Class Support Vector Machines,Multi-SVM) ,通过将多类分类转化成二类分类,将 SVM应用于多分类问题的判断:此外,在 SVM算法的基本框架下,研究者针对不同的方面提
原创力文档

文档评论(0)