1) kernel granular support vector machine
核粒度支持向量机
1.
This paper proposes a kernel granular support vector machine based on association rules(AR-KGSVM)learning approach.
提出一种基于关联规则的核粒度支持向量机(association rules based kernel granular SVM,AR-KGSVM)学习算法。
3) Multi-kernel support vector machine
多核支持向量机
5) Scaling kernel support vector regression
尺度核支持向量回归
6) kernel perceptron support vector machine (KP-SVM)
核感知支持向量机
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