基于PAC-Bayes边界理论的SVM模型选择方法

• 作者: 宫秀军 汤莉 赵政
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 概率近似正确性学习(PAC)-贝叶斯边界 支持向量机 模型选择 泛化性能
• 年，卷（期）: 2015,（6）
• 页码范围: 27-32
• 页数: 6页
• 分类号: TP181
• 字数: 6795字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.1407-0192

摘要

PAC-Bayes边界理论融合了贝叶斯定理和随机分类器的结构风险最小化原理，它作为一个理论框架，能有效评价机器学习算法的泛化性能。针对支持向量机（SVM）模型选择问题，通过分析PAC-Bayes边界理论框架及其在SVM上的应用，将PAC-Bayes边界理论与基于交叉验证的网格搜索法相结合，提出一种基于PAC-Bayes边界的SVM模型选择方法（PBB-GS），实现快速优选SVM的惩罚系数和核函数参数。UCI数据集的实验结果表明该方法优选出的参数能使SVM具有较高的泛化性能，并具有简便快速、参数选择准确的优点，能有效改善SVM模型选择问题。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	宫秀军	天津大学计算机科学与技术学院	9	35	4.0	5.0
3	汤莉	天津财经大学理工学院信息科学与技术系	3	13	2.0	3.0
5	赵政	天津大学计算机科学与技术学院	90	735	15.0	22.0