加權(quán)支持向量回歸算法研究.pdf

1、支持向量機(jī)(Support Vector Machine,SVM)是Vapnik等人根據(jù)統(tǒng)計(jì)學(xué)理論提出的一種機(jī)器學(xué)習(xí)方法。它是建立在VC維和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則基礎(chǔ)上的，利用核函數(shù)把非線性可分?jǐn)?shù)據(jù)映射到高維特征空間，使其在高維特征空間中線性可分，同時(shí)利用核函數(shù)計(jì)算內(nèi)積可避免維數(shù)災(zāi)難。由于支持向量機(jī)具有較好的學(xué)習(xí)性能和泛化能力，該技術(shù)已成為機(jī)器學(xué)習(xí)的熱點(diǎn)，并在很多領(lǐng)域得到成功應(yīng)用，如模式識別、圖像分析、預(yù)測等方面。
　　 支持向量回

2、歸算法是Vapnik在定義了ε-不敏感損失函數(shù)的基礎(chǔ)上提出來的，簡稱ε-SVR算法。在ε-SVR中，輸入樣本被等同對待，每個(gè)樣本的松弛項(xiàng)被賦予相同的懲罰因子，所以當(dāng)樣本中存在噪聲或野點(diǎn)時(shí)，導(dǎo)致SVM在這些點(diǎn)較為敏感，由此產(chǎn)生過擬合現(xiàn)象。針對這種情況，2002年Lin C F等將模糊隸屬度的概念引入到SVM分類中，提出了模糊支持向量機(jī)(Fuzzy Support Vector Machine，簡稱FVSVM)的概念，根據(jù)不同輸入樣本對分類