转载 支持向量机的优缺点 支持向量机的应用实例

原文地址:支持向量机的优缺点作者:IS如
SVM有如下主要几个特点:
(1)非线性映射是SVM方法的理论基础,SVM利用内积核函数代替向高维空间的非线性映射;
(2)对特征空间划分的最优超平面是SVM的目标,最大化分类边际的思想是SVM方法的核心;
(3)支持向量是SVM的训练结果,在SVM分类决策中起决定作用的是支持向量;
[转载]支持向量机的优缺点 支持向量机的应用实例
(4)SVM 是一种有坚实理论基础的新颖的小样本学习方法。
它基本上不涉及概率测度及大数定律等,因此不同于现有的统计方法。
从本质上看,它避开了从归纳到演绎的传统过程,实现了高效的从训练样本到预报样本的“转导推理”,
大大简化了通常的分类和回归等问题;
(5)SVM 的最终决策函数只由少数的支持向量所确定,计算的复杂性取决于支持向量的数目,
而不是样本空间的维数,这在某种意义上避免了“维数灾难”。
(6)少数支持向量决定了最终结果,这不但可以帮助我们抓住关键样本、“剔除”大量冗余样本,
而且注定了该方法不但算法简单,而且具有较好的“鲁棒”性。

这种“鲁棒”性主要体现在:
①增、删非支持向量样本对模型没有影响;
②支持向量样本集具有一定的鲁棒性;
③有些成功的应用中,SVM 方法对核的选取不敏感



两个不足:
(1) SVM算法对大规模训练样本难以实施由于SVM是借助二次规划来求解支持向量,
而求解二次规划将涉及m阶矩阵的计算(m为样本的个数),当m数目很大时该矩阵的存储和计算
将耗费大量的机器内存和运算时间。
针对以上问题的主要改进有
J.Platt的SMO算法、
T.Joachims的SVM、
C.J.C.Burges等的PCGC、
张学工的CSVM
以及O.L.Mangasarian等的SOR算法

(2) 用SVM解决多分类问题存在困难
经典的支持向量机算法只给出了二类分类的算法,
而在数据挖掘的实际应用中,一般要解决多类的分类问题。
可以通过多个二类支持向量机的组合来解决。
主要有
一对多组合模式、一对一组合模式和SVM决策树;
再就是通过构造多个分类器的组合来解决。
主要原理是克服SVM固有的缺点,结合其他算法的优势,解决多类问题的分类精度。
如:
与粗集理论结合,形成一种优势互补的多类问题的组合分类器。

  

爱华网本文地址 » http://www.413yy.cn/a/25101014/188903.html

更多阅读

转载 总结DFN-LOW算法在图论中的应用 tarjan dfn和low

原文地址:总结DFN-LOW算法在图论中的应用作者:OIer_fc总结DFN-LOW算法在图论中的应用北京大学许若辰 长沙市雅礼中学 屈运华摘要: 在一个连通图[1]G中,有些点一旦被去除就会导致图不连通,同样的,有些边一旦被去除也会导致图G失去连通性,

转载 VB程序开发电缆挂牌制作中的应用 电缆挂牌

原文地址:VB程序开发电缆挂牌制作中的应用作者:hgg_wjVB程序开发电缆挂牌制作中的应用【摘要】电缆敷设是电缆工程施工中的重头戏,从检测、入库、运输再到敷设,要规范每一道工序,项目部都严格做好记录。在检测阶段,安质员严格测试电缆的

声明:《转载 支持向量机的优缺点 支持向量机的应用实例》为网友浅安时光分享!如侵犯到您的合法权益请联系我们删除