1) Progressive Tranductive Support Vector Machines
渐进直推支持向量机
1.
Even thought the learning ability in Progressive Tranductive Support Vector Machines may be independent of the dimensionality of feature space,reducing dimensionality is an essential issue to efficiently handle large-scale terms in practical applications of text classification.
在渐进直推支持向量机中,合理的降维在很大程度上可以提高分类的性能和降低计算的复杂度。
2) Progressive Transductive Support Vector Machine(PTSVM)
渐进直推式支持向量机
1.
Progressive Transductive Support Vector Machine(PTSVM) has some drawbacks such as slower training speed and unstable learning performance.
针对渐进直推式支持向量机算法训练速度慢和学习性能不稳定的问题,提出一种近邻渐进直推式支持向量机算法。
3) Transductive support vector machine(TSVM)
直推式支持向量机(TSVM)
4) Transductive support vector machine
直推式支持向量机
1.
Transductive support vector machines (TSVM) classifies the new data vector based on the information only related to this data vector.
直推式支持向量机(TSVM)是一种直接从已知样本出发对特定的未知样本进行识别和分类的技术。
5) direct support vector machine
直接支持向量机
补充资料：支持向量机方法
支持向量机(SVM)是90年代中期发展起来的基于统计学习理论的一种机器学习方法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。支持向量机算法是一个凸二次优化问题,能够保证找到的极值解就是全局最优解，是神经网络领域域取得的一项重大突破。与神经网络相比，它的优点是训练算法中不存在局部极小值问题，可以自动设计模型复杂度(例如隐层节点数)，不存在维数灾难问题，泛化能力强。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条