A geometric method for model selection in support vector machine

doi:10.1016/j.eswa.2008.06.096

2009-04-01

PRE

Xinjun Peng *

王亦飞 (Yifei Wang)

DOI：10.1016/j.eswa.2008.06.096

原文链接

原文求助

摘要

En 中文

支持向量机 (Support vector machine，SVM) 已成为近年来机器学习中最流行的方法之一。SVM中参数的选择是实现高性能学习机的重要一步。提出了一些方法，该方法基于留一 (LOO) 界，经验误差等的界限，通过最小化泛化误差的估计来提出。这些方法必须优化许多二次规划问题并计算gram-schmidt矩阵的逆，这在大规模问题中会很耗时。本文介绍了一种快速增量法，通过结合SVM的几何算法和经验误差的梯度逼近来优化SVM中的核参数。此方法显示了一种在线更新增量学习中的内核参数和工作集的方法，从而减少了CPU时间和存储空间所需的资源。在一些基准上的数值测试证实了我们的方法。皇冠版权 (C) 2008 Elsevier有限公司出版。版权所有。

Keyword:

Support vector machine

Model selection

Parameter

Geometric algorithm

Optimize

AI总结

对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。

期刊

Expert Systems with Applications

IF:

7.5

论文数:

3.0W

被引数:

10.2W

机构

Shanghai Normal University

学者数:

7.4K

论文数: 5.0K

被引数: 8.0K

shanghai university

学者数:

3.9W

论文数: 2.7W

被引数: 52

引用论文

Optimizing resources in model selection for support vector machine

PATTERN RECOGNITION

IF7.6

2007-03-01

PREAI

Adankon, Mathias M.; Cheriet, Mohamed

Choosing multiple parameters for support vector machines

MACHINE LEARNING

IF2.9

2002-01-01

2.0K

OAAI

Chapelle, O; Vapnik, V; Bousquet, O; Mukherjee, S

Analysis of Gene Expression Using Gene Sets Discriminates Cancer Patients with and without Late Radiation Toxicity

PLoS Medicine

IF0

2006-10-31

OAAI

J. Peter Svensson; Lukas J. A Stalpers; Rebecca E. E. Esveldt–van Lange; Nicolaas A. P Franken; Jaap Haveman; Binie Klein; Ingela Turesson; Harry Vrieling; Micheline Giphart-Gassler

Structure and transport properties of polymer inclusion membranes for Pb(II) separation

Desalination

IF0

2011-04-01

PREAI

Andrzej Oberta; Janusz Wasilewski; Romuald Wódzki

Automatic model selection for the optimization of SVM kernels

PATTERN RECOGNITION

IF7.6

2005-10-01

160

PREAI