基于SVM的模型选择和参数优化方案研究与实现
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 1 绪论 | 第9-13页 |
| 2 统计学习理论 | 第13-20页 |
| ·机器学习 | 第13-14页 |
| ·学习和泛化性 | 第14-15页 |
| ·经验风险最小化 | 第15-16页 |
| ·VC 维 | 第16页 |
| ·推广性的界 | 第16-17页 |
| ·结构风险最小 | 第17-19页 |
| ·本章小结 | 第19-20页 |
| 3 支持向量机 | 第20-32页 |
| ·训练样本完全线性可分 | 第22-24页 |
| ·训练样本非完全线性可分 | 第24-25页 |
| ·训练样本非线性可分 | 第25-28页 |
| ·支持向量机的应用 | 第28-29页 |
| ·支持向量存在的主要问题 | 第29-30页 |
| ·本章小结 | 第30-32页 |
| 4 核函数模型选择和参数优化研究 | 第32-37页 |
| ·模型选择和参数优化问题的来源 | 第32-33页 |
| ·不同模型和参数对分类结果影响的实验 | 第33-36页 |
| ·本章小结 | 第36-37页 |
| 5 模型选择和参数优化方法研究 | 第37-58页 |
| ·参数优化方案 | 第37-49页 |
| ·求解线性核函数的参数 | 第38页 |
| ·求解多项式核函数的参数 | 第38-43页 |
| ·求解径向基核函数参数 | 第43-45页 |
| ·求解二层神经网络核函数参数 | 第45-49页 |
| ·模型选择方案 | 第49-56页 |
| ·本章小结 | 第56-58页 |
| 6 全文总结 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 附录1 第三章部分公式推导 | 第65-74页 |
