评估分类算法和支持向量机内核对干豆分类效果的影响
本文探讨将三种流行的马氏度量学习算法作为预处理程序,在支持向量机(SVM)- RBF 分类器上的作用。结果表明,这种算法效果并不理想。作者提出一种新的算法 —— 支持向量度量学习(SVML),它无缝地将 Mahalanobis 度量的学习与 RBF-SVM 参数的训练相结合。实验证明,SVML 在精度方面优于所有替代方法,并成为交叉验证选择模型的标准欧几里得度量的严肃替代方案。
Aug, 2012
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
本文在威斯康星州诊断性乳腺癌数据集上比较了六个机器学习算法的分类测试准确性,并测量了它们的灵敏度和特异性。实验结果表明,所有的算法都表现良好,并超过了 90% 的测试准确率,其中 MLP 算法表现最佳,测试准确率高达 99.04%。
Nov, 2017
本研究聚焦于使用径向基函数支持向量机算法对小行星轨道进行分类,研究结果表明这种方法在数据集方面效率和准确性均较好,并给出最佳参数设置,研究强调了使用机器学习技术分类小行星轨道的重要性及该算法的有效性。
Jun, 2023
应用机器学习算法预测 Russet 土豆克隆体在育种试验中的适应性,并通过使用来自 Oregon 州手动收集的试验数据,分析数据集的预处理、特征工程和缺失值插补等方面,论文结果强调了机器学习在土豆品种选择过程中的潜力和在决策中应用先进技术的相关性,为精确农业做出了贡献。
Apr, 2024
这篇文章主要研究了使用支持向量机(SVM)对基于图像数据集的森林火灾检测进行性能和利用率分析。通过对带标签数据进行训练,SVM 能够识别与火灾相关的特征,如火焰、烟雾或森林区域的视觉特征变化。文章深入探讨了 SVM 的使用,包括数据预处理、特征提取和模型训练等关键要素,评估了准确性、效率和实际适用性等参数。通过一个具有启示性的案例研究,文章还仔细调查了 SVM 准确性与高维数据集所带来的困难之间的关系。此外,文章还讨论了准确性分数与训练数据集调整不同分辨率之间的关系。综合研究结果揭示了所面临的困难以及需要进一步改进和关注的潜在领域。
Jan, 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
本文研究了使用支持向量回归(SVR)来预测 International Software Benchmarking Standards Group(ISBSG)Release 2018 数据集中新软件项目的缺陷密度(DD),实验表明 v-SVR 与多项式核比简单线性回归(SLR)在第三代编程语言下开发主机上的新软件项目的预测准确性更好。
Dec, 2018
通过最大最小问题设计这个变分问题的目标函数,我们将二元分类器的最优问题视为一个变分问题,并推导出 SVM 是这个变分问题框架的一个特例。然而,对于非线性分类,提出的变分问题在欧氏距离方面存在一些限制,因此如何设计更合适的目标函数来寻找最优二元分类器仍然是一个开放问题。进一步讨论了寻找最优分类器中的一些挑战和问题。
Jun, 2024