SVM遵循了统计 机器学习中结构风险最小化(Structure Risk Minimization，SRM)原则。它采用的假设 空间(Hypothesis Space)是相对比较简单的线性分类器，即分类器决策...
基于16个网页-相关网页
支持向量机分类算法研究-《计算机工程与应用》2009年01期-中国知网 chine,SVM)是20世纪90年代中期在统计学习理论基础上发展起来的一种新型机器学习方法[1]。支持向量机采用结构风险最小化准则(StructuralRisk Minimization,SRM)训练学习机器,其建立在严格的理论基础之上,较好地解决了非线性、高维数、局部极小点等问题,成为继神经网
基于2个网页-相关网页
structure risk minimization principle 结构风险最小化原则
Support vector machine (SVM) is a new general learning machine, which analyzes the consistency of learning and speed of convergence from structure risk minimization principle.
支持向量机(SVM)是一种新的通用学习机器，它从结构风险最小化的角度，分析了学习过程的一致性、收敛速度等。
Compared with multivariate statistics and artificial neural networks, support vector machine based on structure risk minimization has better classification performance.
与统计分析和神经网络相比，基于结构风险最小的支持向量机有更好的分类性能。
应用推荐