功能数据分类的支持向量机
支持向量机(SVM)是一种流行的用于数据分类的核方法,本文提出一种基于最佳子空间的最小距离的新方法,以解决 SVM 存在的时间处理、高维情况下优化过程失败、多类别泛化、不平衡类别和动态分类的问题,并取得了类似的性能改进。
Aug, 2023
支持向量机(SVM)是机器学习中分类和回归问题中最研究的范例之一。矩阵格式的真实世界数据往往在 SVM 中通过将矩阵转化为向量的方式输入,但转化过程中会破坏矩阵数据中的空间关联性,并导致高维度的输入数据引入了显著的计算复杂度。为了克服这些问题,提出了支持矩阵机(SMM),该方法通过使用核范数和弗罗贝尼乌斯范数的光谱弹性网方法来保留矩阵数据的结构信息。本文首次深入分析了 SMM 模型的发展,可供初学者和专家使用的全面摘要。我们讨论了各种 SMM 变体,如鲁棒、稀疏、类别不平衡和多类别分类模型。我们还分析了 SMM 模型的应用,并通过概述潜在的未来研究方向和可能性来总结本文,以促使学术界推动 SMM 算法的发展。
Oct, 2023
支持向量机是一种在高维空间中处理分散数据进行分类的重要工具,本研究中利用基于三角函数或小波的特征映射来解决 SVM 问题,并通过多元基函数的限制实现计算效率的提升和解释性强的模型。同时,通过数值实例验证,使用 L1 范数正则化可以在准确性和解释清晰度方面获得更好结果。
Feb, 2024
该论文介绍了一种新的和灵活的分析框架,可用于证明任意再生核希尔伯特空间中的支持向量机,并且在独立亚高斯特征和一般有界正交系统家族(例如傅里叶特征)中的特征两个方面都表现出支持向量增殖现象,这些实验未能覆盖。
May, 2023
本文介绍了如何在函数数据上使用再生核希尔伯特空间理论进行有监督学习和回归,扩展了基于核的学习的概念和性质,包括估计函数值函数的算法,阐述了一套严格定义的无限维算子值核,以及非线性函数数据分析的学习算法,并通过语音和音频信号处理实验进行了说明。
Oct, 2015
将 Radial-Basis Function Networks 和 Multi-Layer Perceptron 模型扩展到功能数据输入,以处理由输入输出对列表定义的功能数据,包括平滑基底上的投影、Functional Principal Component Analysis、功能居中和降级以及微分算子的使用, 并在光谱数据分析基准测试中展示了这种功能方法。
Sep, 2007
功能数据分析(FDA)是用于建模和分析时间域函数数据的框架,在该领域中,集成学习的功能分类器只是最近引起了极大的兴趣。该论文的重点是基于功能数据的集成学习,展示了如何使用不同的功能表示来训练集成成员,并通过多数投票来组合基模型的预测结果。所提出的功能投票分类器(FVC)证明了不同的功能表示可以增加多样性从而提高预测准确性。使用多个真实世界数据集显示,与单个模型相比,FVC 可以显著提高性能。这个框架为功能数据的投票集成提供了基础,并在 FDA 领域激发了一个非常有潜力的研究方向。
Mar, 2024
本文提出了一种高效的核存活支持向量机 (SSVM) 训练算法,通过直接优化主要目标函数,采用截断牛顿优化和随机统计树,降低了与现有训练算法相比的计算复杂度,并证明其可以用于规模更大的数据。
Nov, 2016