基于后验概率的支持向量机

在支持向量机 (supportvectormachines ,SVM )中 ,训练样本总是具有明确的类别信息 ,而对于一些不确定性问题并不恰当 受贝叶斯决策规则的启发 ,利用样本的后验概率来表示这种不确定性 将贝叶斯决策规则与SVM相结合 ,建立后验概率支持向量机 (posterioriprobabilitysupportvectorma chine ,PPSVM )的体系框架 并详细讨论线性可分性、间隔、最优超平面以及软间隔算法 ,得到了一个新的优化问题 ,同时给出了一个支持向量的新定义 实际上 ,后验概率支持向量机是建立于统计学习理论(statisticallearningtheory)基础之上 ,是标准SVM的扩展 针对数据 ,还提出了一个确定后验概率的经验性方法 实验也证明了后验概率支持向量机的合理性。