一种改进的基于不可分样本风险决策规则的SVM
支持向量机(SVM)是基于结构风险最小化的分类判别方法,对于非线性不可分的二分类样本,需要在最大间隔和错误分类之间做出折中选择.为了使SVM具有很好的泛化能力,本文提出了一种改进的基于不可分样本风险决策规则的SVM分类方法.先将SVM的输出转化为属于不同类的后验概率,对于落在两个支持向量面之间的点,利用经验风险最小化的风险决策规则进行分类预测.仿真结果显示,改进的SVM方法在两类比较容易分离的情况下,显著优于传统的SVM,在其他情况下,其分类效果不比传统的SVM差.
支持向量机 泛化能力 风险决策 判别规则 不可分样本
张雪梅 杨力
阜阳师范学院经济与商业学院 安徽理工大学经济与管理学院
国内会议
南京
中文
384-389
2011-11-06（万方平台首次上网日期，不代表论文的发表时间）