基于支持向量機的概率密度估計.pdf_第1頁
已閱讀1頁，還剩50頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

1、概率密度估計是統(tǒng)計學習中的一個核心問題，知曉了密度函數(shù)就可以解決幾乎所有統(tǒng)計學中的問題。因而，在解決學習問題的傳統(tǒng)模式中，模式識別和回歸估計都是建立在密度估計問題的基礎之上。概率密度估計無論在理論研究中還是在實際應用中都有重要的意義。 統(tǒng)計學習理論是針對小樣本數(shù)據而提出的一套理論，是傳統(tǒng)統(tǒng)計學的重要補充和發(fā)展，在統(tǒng)計學習理論上發(fā)展起來的支持向量機(Support VectorMachines，通常簡寫為SVM)是由Vapnik及

2、其研究小組于1995年提出的一類新型機器學習方法，它一改傳統(tǒng)方法的經驗風險最小原則，提出了結構風險最小的原則。這就使其能夠達到更好的泛化能力，能更好的解決小樣本、非線性、高維數(shù)和局部極小值等實際問題。由于結構風險最小原則出色的性能，因而成為機器學習理論的熱點。SVM在很多領域都得到了成功的應用如模式識別、回歸估計、函數(shù)逼近等。 本文首先介紹了支持向量機的理論基礎一統(tǒng)計學習理論，并以支持向量機理論為基礎介紹了其在分類問題、回歸問題

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論