基于贝叶斯支持向量机模型选择算法改进  

Improvement of Bayesian Approach to Model Selection for Support Vector Machine Classifiers

作　　者：王文涛[1] 陈聪[1] 

机构地区：[1]中南民族大学计算机科学学院,武汉430074

出　　处：《中南民族大学学报（自然科学版）》2009年第1期93-96,共4页Journal of South-Central University for Nationalities：Natural Science Edition

基　　金：中南民族大学自然科学基金资助项目(YZY06006)

摘　　要：通过对贝叶斯方法的分析,探讨了SVM的模型选择问题,提出SVM模型的选择可以看作等价于求解概率模型下置信度最大化的观点.首先,通过使用相关后验概率上的数学期望近似计算置信度梯度,然后用拟牛顿法求解置信度最大化问题.在数据集训练过程中引入二阶梯度的SM O算法以提高训练效率.实验证明:此算法与网格法和Span估计法相比,改善了SVM的多参数选择问题,提高了执行效率.In this paper we first use Bayesian method to interpret SVM.Beyond this,it allow Bayesian method to use for tuning penalty C and parameters specifying the kernel through quasi-newton method to maximaze the evidence.And then we use an improved SMO algorithm to solve the SVM QP problem.The experience show that compared with span and grid algorithm,our algorithm can gain higher classification accurate and faster learning speed than original algorithm.

关 键 词：支持向量机 拟牛顿法 模型选择 置信度 

分 类 号：N[自然科学总论]