×
马蒂亚斯·阿丹肯（Mathias M.Adankon）。;穆罕默德·切丽特

LS-SVM的型号选择。应用于手写识别。 （英语） 兹比尔1187.68424

模式识别 42，第12期，3264-3270（2009）.
摘要：支持向量机（SVM）是一种功能强大的分类器，已成功应用于许多模式识别问题。它也被证明在手写识别领域表现良好。最小二乘支持向量机（LS-SVM）与支持向量机一样，基于边缘最大化原理，实现结构风险最小化。然而，它比SVM更容易训练，因为它只需要解决凸线性问题，而不需要像SVM那样解决二次问题。在本文中，我们建议使用经验误差准则对LS-SVM进行模型选择。手写字符识别实验表明了该分类器的有效性，并证明了模型选择提高了LS-SVM的泛化性能。

引用于13文件

MSC公司：

68吨10 模式识别、语音识别

关键词：

LS-SVM公司;支持向量机;型号选择;内核机
PDF格式BibTeX公司 XML格式引用
\textit{M.M.Adankon}和\textit{M.Cheriet}，模式识别42，第12期，3264-3270（2009；Zbl 1187.68424）
全文： 内政部

参考文献：

[1] Vapnik，V.N.，学习理论风险最小化原则，（神经信息处理系统进展，第4卷（1992），Morgan Kaufman：Morgan Koufman San Mateo，CA），831-838·Zbl 0137.10601号
[2] Vapnik，V.N.，《统计学习理论》（1998），威利出版社：威利纽约·Zbl 0934.62009号
[3] B.E.Boser，I.Guyon，V.Vapnik，最佳边缘分类器的训练算法，计算。学习。理论（1992）144-152。；B.E.Boser，I.Guyon，V.Vapnik，最佳边缘分类器的训练算法，计算。学习。理论（1992）144-152。
[4] 北卡罗来纳州克里斯蒂亚尼尼。；Shawe-Taylor，J.，《支持向量机导论》（2000），剑桥大学出版社：剑桥大学出版社
[5] 朔尔科普夫，B。；Smola，A.J.，《与内核一起学习》（2002），麻省理工学院出版社：麻省理学院出版社，剑桥
[6] 肖-泰勒，J。；Cristianini，N.，《模式分析的核心方法》（2004），剑桥大学出版社：剑桥大学出版社
[7] 苏肯斯，J.A.K。；Van Gestel，T。；De Brabanter，J。；De Moor，B。；Vandewalle，J.，最小二乘支持向量机（2002），《世界科学：世界科学新加坡》·Zbl 1003.68146号
[8] Van Gestel，T。；苏肯斯，J.A.K。；Baesens，B。；Viaene，S。；Vantheinen，J。；Dedene，G。；De Moor，B。；Vandewalle，J.，基准最小二乘支持向量机分类器，机器学习，54，1，5-32（2004）·Zbl 1078.68737号
[9] G.Wahba，Y.Lin，H.Zhang，支持向量机的广义近似交叉验证，或者，另一种看待边际量的方法，威斯康星大学统计系技术报告，1999年2月25日。；G.Wahba，Y.Lin，H.Zhang，支持向量机的广义近似交叉验证，或从另一个角度看类边缘量，技术报告，威斯康星大学统计系，1999年2月25日。
[10] T.S.Jaakkola，D.Haussler，概率核回归模型，摘自：人工智能与统计会议研讨会，1999年。；T.S.Jaakkola，D.Haussler，概率核回归模型，发表于：人工智能与统计会议研讨会，1999年。
[11] T.Joachims，高效估计SVM的泛化性能，载于：2000年国际机器学习会议，第431-438页。；T.Joachims，高效估计SVM的泛化性能，载于：机器学习国际会议，2000年，第431-438页。
[12] Opper，M。；Winther，O.，《高斯过程分类的平均场方法》（The Mean field methods for classification with Gaussian processes），（1998年神经信息处理系统进展会议II（1999），麻省理工学院出版社：麻省理理工学院剑桥出版社，马萨诸塞州），309-315
[13] Opper，M。；Winther，O.，Gaussian processes and SVM:mean field and leave-one-out，（Smola，A.J.；Bartlett，P.L.；Schölkopf，B.；Schurmans，D.，《大边缘分类器的进展》（2000），麻省理工学院出版社：麻省理学出版社剑桥，马萨诸塞州），311-326·Zbl 0988.68145号
[14] O.Chapelle，V.Vapnik，支持向量机的模型选择，摘自：神经信息处理系统的进展，1999年。；O.Chapelle，V.Vapnik，支持向量机的模型选择，收录于：神经信息处理系统的进展，1999年。
[15] Vapnik，V。；Chapelle，O.，支持向量机的误差期望界，神经计算。，12, 9 (2000)
[16] C.Gold，P.Sollich，用nystrom方法进行快速贝叶斯支持向量机参数调整，收录于：IJNN’05，2005年，第2820-2825页。；C.Gold，P.Sollich，用nystrom方法进行快速贝叶斯支持向量机参数调整，收录于：IJNN’05，2005年，第2820-2825页。
[17] 阿丹康，M.M。；Cheriet，M.，支持向量机模型选择中的优化资源，模式识别，40，3，953-963（2007）·Zbl 1119.68143号
[18] 沙佩尔，O。；Vapnik，V。；O.布斯克。；Mukherjee，S.，为支持向量机选择多个参数，机器学习，46，1，131-159（2002）·兹比尔0998.68101
[19] Duan，K。；Keerthi，S。；Poo，A.N.，调整SVM超参数的简单性能度量的评估，神经计算，51，41-59（2003）
[20] 钟，K.-M。；Kao，W.C。；王，L.-L。；孙，C.-L。；Lin，C.-J.，带RBF核的支持向量机的半径边界，神经计算。，15, 2643-2681 (2003) ·Zbl 1085.68123号
[21] 东北部阿亚特。；Cheriet，M。；Suen，C.Y.，支持向量机内核优化的自动模型选择，模式识别，38，10，1733-1745（2005）
[22] G.Cawley，加权最小二乘支持向量机基于Leave-on-out交叉验证的模型选择标准，载于：《2006年国际JCNN会议录》，加拿大温哥华，2006年7月。；G.Cawley，《加权最小二乘支持向量机基于Leave-on-out交叉验证的模型选择标准》，载于：《2006年国际JCNN会议录》，加拿大温哥华，2006年7月。
[23] 苏肯斯，J.A.K。；Vandwalle，J.，最小二乘支持向量机分类器，神经过程。莱特。，9, 3, 293-300 (1999) ·Zbl 0958.93042号
[24] 柳叶刀，G。；兰布雷希茨，A。；De Moor，B。；范德维尔，J。；Van Gestel，T。；Suykens，J.，最小二乘支持向量机分类器的贝叶斯框架，高斯过程和核fisher判别分析，神经计算。，15, 5, 1115-1148 (2002) ·Zbl 1003.68146号
[25] 郑晓峰，最小二乘支持向量机及其贝叶斯解释，技术报告，2004年6月。；郑晓峰，最小二乘支持向量机及其贝叶斯解释，技术报告，2004年6月。
[26] Ong，C.J。；楚·W。；Keerthi，S.S.，求解最小二乘支持向量机的改进共轭梯度法，IEEE Trans。神经网络，16，2，498-501（2005）
[27] Chua，K.S.，大型最小二乘支持向量机分类器的高效计算，模式识别快报。，24, 75-80 (2003) ·Zbl 1053.68082号
[28] L.Lukas，J.A.K.Suykens，J.Vandewalle，稀疏最小二乘支持向量机分类器，收录于：欧洲人工神经网络研讨会，2000年。；L.Lukas，J.A.K.Suykens，J.Vandewalle，稀疏最小二乘支持向量机分类器，收录于：欧洲人工神经网络研讨会，2000年。
[29] 考利，G.C。；Talbot，N.L.C.，《改进的稀疏最小二乘支持向量机》，神经计算，481025-1031（2002）·兹比尔1006.68767
[30] de Kruif，B.J。；deVries，T.J.，最小二乘支持向量机中的剪枝误差最小化，IEEE Trans。神经网络，14696-702（2003）
[31] 林，C。；李毅。；Zhang，W.，改进的稀疏最小二乘支持向量机分类器，神经计算，691655-1658（2006）
[32] Jiao，L。；Bo，L。；Wang，L.，最小二乘支持向量机的快速稀疏逼近，IEEE Trans。神经网络，18，3，685-697（2007）
[33] 考利，G.C。；Talbot，N.L.C.，稀疏最小二乘支持向量机的快速精确删去交叉验证，神经网络，171467-1475（2004）·Zbl 1073.68072号
[34] Baudat，G。；Anouar，F.，使用核的特征向量选择和投影，神经计算，55，31-38（2003）
[35] Bishop，C.M.，《模式识别的神经网络》（1995），牛津大学出版社：牛津大学出版社，英国牛津
[36] Platt，J.，支持向量机的概率输出以及与正则化似然方法的比较，（Smola，A.J.；Bartlett，P.；Schoelkopf，B.；Schuurmans，D.，《大边缘分类器的进展》（2000），61-74
[37] Bengio，Y.，基于梯度的超参数优化，神经计算。，12, 8, 1889-1900 (2000)
[38] LeCun，Y。；底部，L。；本吉奥，Y。；Haffner，P.，《基于梯度的学习应用于文档识别》，Proc。IEEE，86，2278-2324（1998）
[39] M.Moreira，E.Mayoraz，《改进的带修正分类器的两两耦合分类》，载于：ECML，1998年，第160-171页。；M.Moreira，E.Mayoraz，《改进的带修正分类器的两两耦合分类》，载于：ECML，1998年，第160-171页。
[40] 考利，G。；Talbot，N.，《通过超参数的贝叶斯正则化防止模型选择过程中的过度拟合》，J.Mach。学习。Res.，8，841-861（2007）·Zbl 1222.68160号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。