摘要： 在分类问题中,支持向量机(SVM)首先将样本映入某一高维特征空间,并在此空间中构造具有最大间隔的分类超平面.由Vapnik的统计学习理论知道,SVM泛化能力的强弱与分类超平面间隔的大小有十分密切的关系:分类平面的间隔越大,SVM的泛化能力就越强.本文提出了一种通过特征权学习来增加分类超平面的间隔,从而增强SVM泛化能力的方法.仿真试验表明,该方法对提高SVM的泛化能力是有效的.
中图分类号:
何强. 通过特征权学习增强支持向量机的泛化能力[J]. 河北大学学报(自然科学版), 2008, 28(4): 337-340,345.
HE Qiang. Enhancing Generalization Capability of SVM Classifiers with Feature Weight Adjustment[J]. Journal of Hebei University (Natural Science Edition), 2008, 28(4): 337-340,345.
