Question

对支持向量机几种常用核函数和参数选择的比较研究

Answer 1

分享到： 收藏推荐 1、引言支持向量机是由Vapnik等人于20世纪90年代研究并迅速发展起来的一种基于统计学习理论的机器学习方法,以往困扰机器学习方法的很多问题在这里都得到了一定程度的解决。但是,SVM在也存在一些局限性,比如:SVM的性能很大程度上依赖于核函数的选择,但没有很好的方法指导针对具体问题的核函数的选择,而参数选取的好坏将直接影响着分类器泛化性能好坏,本文对支持向量机核函数与参数的选择进行比较分析,在最后进行总结。2、核函数的种类把原问题空间中的训练样本变成特征空间中线性可分的训练样本,是核函数在SVM中所起的最基本作用,因此核是SVM方法的关键所在。目前得到研究的核内积函数形式主要有下面四种:①线性内核②多项式内核③径向基(RBF)内核④S形内核核函数的形式及其参数的确定决定了分类器类型和复杂程度,由于目前常用的核只有有限的几种,所以选择核函数的一种比较可行的方法是:对每一种核选用某种方法选出其对应的最佳核参数,然后再比较哪种核最好。3、参数的选取在实际应用中,选用参数要根据识别任务来确定。