一种基于聚类的核向量机参数C选择算法

核向量机可以高效学习大样本数据集,却有泛化能力低的缺陷.针对已有参数C选择算法缺乏启发性以及选取困难的不足,本文在分析了核聚类算法和距离比较算法的基础之上,提出基于核聚类的相对距离比较方法,该算法利用核聚类算法在特征空间对样本点进行聚类分簇,然后根据样本点到簇心相对距离的比值,得到参数C.本文在理论和实验两个方面,证明该算法有效地选择参数C,从而提高核支持向量机算法的泛化能力.

基于RBF核函数的支持向量机参数选择

由于SVM在各个领域中得到越来越广泛的应用，而决定SVM性能的因素是核函数的选取。其中，RBF核函数是应用最广泛的核函数，且有两个参数：惩罚因子C和核参数γ，因此，希望能找，到最优化参数组（C，γ）使SVM具有最好推广性．首先提出了用E=lw/n代替留一法来评估SVM的推广性，它的优点是速度快、准确性高；然后，分析参数C和γ对SVM性能的影响，由此将问题归结在一个小的“好区”内选取最优参数组（C，γ）；最后，分别用穷举法和下文所提出的方法进行比较，得出在“好区”内用Cγ=C（常数）来确定最优化参数同样能得到很好的推广性，而且速度上比穷举法快的多，此方法，具有一定的实际应用价值。