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.
[1] VAPNIK VLADIMIR N. The nature of statistical learning theory [M]. New York:springer-verlag 1995.
[2] VAPNIK VLADIMIR N. Statistical learning theory [M]. New York:A Wlley-Interscience Publication 1998.
[3] Vapnik Vladimir N.. Overview of statistical learning theory [J]. IEEE Transactions on Neural Networks 1999, 5(5).
[4] 边肇棋, 张学工. 模式识别 [M]. 北京:清华大学出版社 2002.
[5] BASAK J, DE R K, PAL S K. Unsupervised feature selection using a neuro-fuzzy approach [J]. Pattern Recognition Letters 1998, 19.
