排序方式: 共有2条查询结果,搜索用时 5 毫秒
1
1.
支持向量机(SVM)是一种新的机器学习方法,已经广泛应用于模式识别和函数估计等问题中.针对现有的加权支持向量机(WSVM)和模糊支持向量机(FSVM)只考虑样本重要性而没有考虑属性重要性对分类结果的影响的缺陷,提出了基于样本属性重要度的支持向量机方法,该方法首先利用信息论中的信息增益技术计算各个样本特征属性对分类属性的重要度,然后对所有样本的同一特征属性的值分别用对应的属性重要度进行加权,最后所得数据集用于训练和测试SVM.数值实验的结果表明,该方法提高了分类器的分类精度. 相似文献
2.
针对多类支持向量机的模型选择问题, 提出一种适用于多分类问题的核函数度量标准, 称为多类核极化。进一步地, 提出了基于优化该标准的多宽度RBF核的参数选择算法。与传统的基于k-折交叉验证的穷举搜索方法相比, 该算法利用基于梯度的搜索技术自动实现模型选择, 克服了传统方法的经验性强、计算量大的不足。UCI数据集上的实验结果验证了多类核极化与多参数模型选择算法的有效性。 相似文献
1