ε不敏感损失函数支持向量机分类性能研究

杨俊燕; 张优云; 朱永生

您当前的位置：

首页 >

文章列表页 >

ε不敏感损失函数支持向量机分类性能研究

专题研究 | 更新时间：2025-12-08

- ε不敏感损失函数支持向量机分类性能研究
- Classification Performance of Support Vector Machine with ε-Insensitive Loss Function
- 西安交通大学学报 2007年41卷第11期页码：1315-1320
- 作者机构：
  
  西安交通大学现代设计和转子轴承系统教育部重点实验室,西安,710049
- 作者简介：
- 基金信息：
  
  : 2007-03-12. 作者简介: 杨俊燕(1974～),男,博士生;张优云(联系人),女,教授,博士生导师. 基金项目: 国家自然科学基金资助项目(50575179,50335030)
- DOI：
  中图分类号： TP183
- 网络首发：2007-11-10，
  
  纸质出版：2007
- 稿件说明：
移动端阅览
杨俊燕, 张优云, 朱永生. ε不敏感损失函数支持向量机分类性能研究[J]. 西安交通大学学报, 2007,41(11):1315-1320.

杨俊燕, 张优云, 朱永生. Classification Performance of Support Vector Machine with ε-Insensitive Loss Function[J]. 2007, 41(11): 1315-1320.
杨俊燕, 张优云, 朱永生. ε不敏感损失函数支持向量机分类性能研究[J]. 西安交通大学学报, 2007,41(11):1315-1320. DOI：

杨俊燕, 张优云, 朱永生. Classification Performance of Support Vector Machine with ε-Insensitive Loss Function[J]. 2007, 41(11): 1315-1320. DOI：

摘要

将原先用于支持向量回归的ε不敏感损失函数引入到支持向量分类中

提出ε不敏感损失函数支持向量分类算法(ε-SVC).同标准支持向量分类方法(C-SVC)和最小二乘支持向量分类方法(LS-SVC)相比较

试验结果表明:当赋予参数ε一个足够大的接近于1的值时

ε-SVC的分类正确率略低于C-SVC和LS-SVC

但是ε-SVC的训练、测试和参数选择的速度要高于C-SVC和LS-SVC.特别是对于大规模数据集

这种优势将更加明显.另外

通过精确选择参数ε的值

ε-SVC能够获得比C-SVC和LS-SVC更高的分类正确率

但是训练、测试和参数选择的速度却随着ε的减小而降低.

Abstract

The ε-insensitive loss function generally employed in support vector regression is introduced into support vector classification

and the support vector classification with ε-insensitive loss function(ε-SVC)is proposed. Compared with the standard support vector classification method(C-SVC)and the least square support vector classification method(LS-SVC)

the experimental result indicates that the classification accuracy ratio of ε-SVC is slightly lower than that of C-SVC and LS-SVC when ε sufficiently approaches to 1

but the training

testing and parameter selecting rates of ε-SVC are superior to that of C-SVC and LS-SVC

especially for large scale problem. Through accurate search of the parameter ε

the ε-SVC is endowed with higher classification accuracy than C-SVC and LS-SVC

however

the training

testing and parameter selecting rates decrease with smaller ε.

关键词

Keywords

references

Vapnik V N. 统计学习理论[M]. 许建华, 张学工,译. 北京: 电子工业出版社, 2004.

朱永生. 支持向量机及其在机械故障模式识别中的应用[D]. 西安: 西安交通大学机械工程学院, 2003.

Yang J Y, Zhang Y Y. Application research of support vector machines in condition trend prediction of mechanical equipment [M]∥Lecture Notes in Computer Science: 3498. Berlin: Springer, 2005: 857-864.

Vapnik V N. The nature of statistical learning theory [M]. New York: Springer, 1995.

Suykens J A K, Brabanter J D, Lukas L, et al. Weighted least squares support vector machines: robustness and sparse approximation [J]. Neurocomputing, 2002, 48(1): 85-105.

Michie D, Spiegelhalter D J, Taylor C C. Machine learning, neural and statistical classification [EB/OL]. Englewood Cliffs, USA: Prentice Hall, 1994[2007-02-15]. http:∥www.ncc.up.pt/liacc/ML/statlog/datasets.html.

Blake C L, Merz C J. UCI repository of machine learning databases [EB/OL]. Irvine, USA: Univ. California, Dept. Inform. Comput. Sci., 1998[2007-02-15]. http:∥www.ics.uci.edu/?mlearn/MLRep-ository.html.

Hsu C W, Chang C C, Lin C J. A practical guide to support vector classification [EB/OL]. Taiwan: Taiwan Univ., Dept. Comptu. Sci. Inform. Eng. [2007-03-10]. http:∥www.csie.ntu.edu.tw/cjlin/papers/guide/guide.pdf.

Chang C C, Lin C J. LIBSVM: a library for support vector machines [EB/OL]. [2007-03-10]. http:∥www.csie.ntu.edu.tw/cjlin/libsvm.

Suykens J A K, Gestel T V, Brabanter J D, et al. Least squares support vector machines [EB/OL]. Singapore: World Scientific, 2002[2007-03-10]. http:∥www.esat.kuleuven.ac.be/sista/lssvmlab/.

Hsu C W, Lin C J. A comparison of methods for multiclass support vector machines [J]. IEEE Transactions on Neural Networks, 2002, 13(2): 415-425.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

一种多率采样的在线支持向量回归及应用

加权支持向量机求解路径算法研究

采用变弦长叶片设计的多翼离心风机叶轮改进与优化

融合物理信息与深度算子网络的变压器绕组热-流场快速计算方法

冷库水平空气幕热湿阻隔性能数值模拟研究