姚利民;唐杰;李娟子 支持向量机的整条求解路径,用于正分类和无标记分类。 (英语) Zbl 1212.68167号 清华科学。技术。 14,第2期,242-251(2009). 摘要:支持向量机(SVM)旨在找到一个最优的分离超平面,最大化两类训练示例之间的分离(更准确地说,最大化这两类示例之间的差距)。训练SVM模型的代价参数的选择一直是一个关键问题。该分析研究了成本参数如何决定超方案;特别是对于仅使用阳性数据和未标记数据的分类。通过在训练SVM模型时选择“最佳”代价参数,给出了整个求解路径的算法。该算法的性能与使用默认值作为两个合成数据集和两个真实数据集的成本参数的传统实现进行了比较。结果表明,该算法在处理阳性数据和未标记分类时取得了较好的效果。 引用于1文件 MSC公司: 68T05型 人工智能中的学习和自适应系统 关键词:支持向量机;成本参数;阳性和未标记分类 PDF格式BibTeX公司 XML格式引用 \textit{L.Yao}等人,清华科学院。Technol公司。14,第2号,242--251(2009;Zbl 1212.68167) 全文: 内政部