基于SVM的不同特征空间多分类方法研究  

Analysis of Multi-classification Based on SVM in Different Feature Space

作　　者：周绮凤[1] 洪文财[1] 邵桂芳[1] 

机构地区：[1]厦门大学信息科学与技术学院,福建厦门361005

出　　处：《厦门大学学报（自然科学版）》2010年第1期30-33,共4页Journal of Xiamen University：Natural Science

基　　金：福建省自然科学基金(2009J05153)

摘　　要：目前,在基于SVM的分解多分类方法中,各个子分类器都采用相同的核参数进行整体优化.如果采用不同的核函数参数分别优化各个子分类器,相当于在不同的特征空间进行分类,此时,能否直接采用求输出最大值(MaxWin)等判别策略,需要研究各分类器的输出是否可比.利用相对间隔对此问题进行深入的研究,说明在基于SVM的"一对多"等多分类方法中,采用不同的核参数分别优化各个子分类器,其决策函数的输出结果仍是可比的,且具有更好的泛化能力.There usually using the same kernel parameter in multi-classification methods based on SVM such as one versus one（1-v- 1） and one versus rest（i-v-r）. Optimizing each sub-classifier under different kernel parameter is equal to classifying in different feature space. Then the comparability of each sub-classifier＇s output should be analyzed before using the MaxWin strategy directly. In this paper,a relative margin is introduced to analyse the outputs of sub-classifiers. Results show that using different kernel parameters to optimizing each sub-classifier respectively, the outputs of decision function are still comparablk, and furthermore,it performs the better generalization ability.

关 键 词：多分类 SVM 特征空间 核函数 

分 类 号：TP18[自动化与计算机技术—控制理论与控制工程]