RSVM

简化支持向量机。提出了一种基于核的非线性分离曲面生成算法,该算法只需大数据集的1%即可进行显式计算。为了生成这个非线性曲面,整个数据集被用作优化问题中的约束条件,其中只有很少的变量对应于保留的1%的数据。在解决优化问题后,剩余的数据可以被丢弃。这是通过使用矩形m×核K(a,Ā′)来实现的,它大大减小了要求解的二次规划的规模,并简化了非线性分离面的描述。这里,A的m行表示原始m个数据点,而Ā的行表示大大减少的数据点。计算结果表明,简化支持向量机(RSVM)的测试集正确性优于传统支持向量机(SVM)的测试集正确性,该方法具有依赖于数据集的一小部分随机选择的非线性分离面,且测试集的正确性优于传统支持向量机(SVM)的测试集正确性比传统的支持向量机使用小样本的数据要好得多。与使用整个数据集的传统支持向量机相比,RSVM的计算时间和内存使用都要小得多。


zbMATH参考文献(49篇文章引用)

显示第49至第1个结果。
按年份排序(引用)
  1. 彭新英;徐益田:加速加权双支持向量机的安全筛选规则(2019)
  2. Gu,Weizhe;Chen,Wei Po;Ko,Chun Hsu;Lee,Yuh Jye;Chen,Jein Shan:用于(\varepsilon)不敏感回归的两个光滑支持向量机(2018)
  3. Khemchandani,Reshma;Saigal,Pooja;Chandra,Suresh:基于角度的双支持向量机(2018)
  4. Manh Cuong,Nguyen;Van Thien,Nguyen:一种减少模糊支持向量机中支持向量数量的方法(2016)
  5. Wang,Di;Zhang,Xiaoqin;Fan,Mingyu;Ye,Xiuzi:用于非线性分类的分层混合线性支持向量机(2016)
  6. 赵永平:基于Cholesky分解的简约核极限学习机(2016)
  7. Lee,G.E.;Zaknich,A.:GRNN参数估计的混合整数规划方法(2015)
  8. 赵永平;王,康康;李,富:一种改进递归最小二乘支持向量回归的修剪方法(2015)
  9. Bai,Yan Qin;Shen,Yan Jun;Shen,Kai Ji:用于稀疏解分类问题的一致近端支持向量机(2014)
  10. Couellan,Nicolas;Jan,Sophie:用于支持向量机分类的增量加速梯度法:约束方法的研究(2014)
  11. Shabanzadeh,Parvaneh;Yusof,Rubiyah:解决监督数据分类问题的新方法(2014)
  12. 邵元海;陈伟杰;邓乃洋:二元分类问题的非平行超平面支持向量机(2014)
  13. Chang,Lo Bin;Bai,Zhidong;Huang,Su Yun;Hwang,Chii Ruey:基于核的Nyström低秩逼近矩阵的渐近误差界(2013)
  14. Fung,Glenn M.;Mangasarian,Olvi L.:通过线性规划保持隐私的线性和非线性近似(2013)
  15. 马家义;赵,季;田,金文;白,香;涂,卓文:基于稀疏近似的正则化向量场学习方法去除失配(2013)
  16. 王震;邵元海;吴铁如:基于遗传算法的光滑双参数边缘支持向量机模型选择(2013)
  17. 夏晓磊;钱,苏翔;刘雪琴;邢焕来:稀疏最小二乘支持向量机的有效模型选择(2013)
  18. 周水生;崔江涛;叶锋;刘红伟;朱强:具有严格误差约束和高效降维技术的平滑支持向量机新算法(2013)
  19. 张建宗;鲍兴国;李玉杰:基于RSVM的两师一徒半监督学习算法(2012)ioport公司
  20. Huang,Chia Hui:区间回归分析的简化支持向量机方法(2012)