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
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。
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。
应用推荐