高斯核支持向量机分类和模型参数选择研究

• 作者: 郑小霞 钱锋
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 支持向量机 结构风险最小化原则 高斯核 核参数
• 年，卷（期）: 2006,（1）
• 所属期刊栏目: 学术探讨
• 页码范围: 77-79
• 页数: 3页
• 分类号: TP18
• 字数: 2954字
• 语种: 中文
• DOI: 10.3321/j.issn:1002-8331.2006.01.024

摘要

支持向量机(Support Vector Machine,SVM)是近几年发展起来的机器学习新方法,以高斯核为核函数的支持向量机在实际应用中表现出良好的学习性能,被广泛应用于模式分类中.论文研究了高斯核支持向量机分类在IRIS分类问题上的应用,并结合结构风险最小化原则分析了误差惩罚参数C和高斯核宽度σ对SVM性能的影响,最后通过数值实验进一步分析了这种影响.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	钱锋	华东理工大学自动化研究所	223	3004	26.0	44.0
2	郑小霞	华东理工大学自动化研究所	10	424	9.0	10.0