Dec, 2023

加权支持向量机的稀疏学习和类概率估计

PDF
TL;DR我们提出了一种基于加权支持向量机的稀疏学习方法，结合了自动变量选择和准确的概率估计，既能有效地进行变量选择，又能可靠地估计概率。这种方法在自动变量选择和可靠概率估计方面具有巨大优势，并且适用于高维问题。
classificationprobability estimationweighted support vector machinesvariable selectionsparse learning
发现论文，激发创造
  • 成本敏感的支持向量机概率预测

    提供了一种生成支持向量机的概率输出的新方法，利用集成方法和自举估计，能够处理不平衡数据集，并在广泛的数据集测试中展现了优势。

    Oct, 2023

  • 稀疏支持向量机的 Majorization-Minimization

    通过平滑的稀疏促进正则化的平方铰链损失最小化，研究了支持向量机的训练，并应用了基于主要化最小化方法的快速训练方法，提高了特征选择的性能，并在定量指标（准确率、精确率、召回率和 F1 值）以及计算成本方面表现出良好的性能。

    Aug, 2023

  • 支持向量机及其应用

    介绍支持向量机及其应用，强调其稀疏解决方案，对分类和回归问题进行专门的适用，适用文本处理和生物信息学任务，同时介绍了算法推广和实际应用。

    Dec, 2006

  • 支持向量机的鲁棒性与正则化

    本文将正则化支持向量机与鲁棒优化公式进行比较，并表明它们是精确等效的。这个比较对算法和分析有影响，可以构建出保护噪声和同时控制过拟合的分类问题的更一般的类 SVM 算法，同时提供正则化 SVM 成功率鲁棒优化解释的分析证明，从而明确了鲁棒性是正则化 SVM 泛化良好的原因。

    Mar, 2008

  • 基于特征的乳腺 X 线图像分类：加权特征支持向量机

    本文通过将更多的权重分配给相关特征，使用最大偏差原则构建预计算内核函数，利用加权特征支持向量机 (WFSVM) 自动分类良性或恶性的乳腺组织类型，将 MIAS 乳腺 X 线图像数据库分为训练和测试集，并使用预处理技术和特征提取，结果显示使用 WFSVM 分类器的纹理特征的准确性优于其他特征，并且支持向量的数量少于 SVM 分类器。

    Sep, 2020

  • 一个平均分类算法

    采用稀疏近似方法和 herding 步骤生成了一个准确且易于并行化的分类算法，以支持使用尽可能少的训练样本对内核进行评估，涉及分类算法、内核评估和稀疏性等关键词。

    Jun, 2015

  • 稀疏 SVM 排序中的非凸正则化特征选择

    探究如何在学习排名中将特征选择集成入学习过程中，并且提出了一种使用 SVM 和稀疏正则化术语进行特征选择的通用框架。

    Jul, 2015

  • 支持向量网络的统计力学

    通过统计物理学方法，研究支持向量机的泛化性能，发现在简单规则上支持向量机只过度拟合弱，当输入在特征空间存在间隔时，支持向量机的性能会得到大幅增强。

    Nov, 1998

  • 学习使用特权信息：SVM + 和加权 SVM

    该研究讨论了使用先验知识通过特权信息来提高学习算法的预测性能或减少所需的训练数据的方法，其中重点介绍了 SVM+ 框架，并通过特权特征确定了加权 SVM 可以复制 SVM+ 解决方案，同时讨论了当特权特征不可用时如何选择加权 SVM 的问题。

    Jun, 2013

  • 多成本场景下支持向量机

    我们提出了一种新颖的支持向量机模型，通过在问题表达中引入性能约束来考虑误分类成本。具体而言，我们的目标是寻求具有最大间隔的超平面，使得误分类率低于给定的阈值。通过解决一个具有线性约束和整数变量的二次凸问题来获得最大间隔超平面。我们的实验结果表明，我们的模型可以使用户在一个类别上对误分类率进行控制，并且运行时间可行。

    Dec, 2023