SVM发展历史、现状、未来趋势
SVM(support victor machine)1、支持向量机发展历史1963年,Vapnik在解决模式识别问题时提出了支持向量方法。起决定性作用的样本为支持向量1971年,Kimeldorf构造基于支持向量构建核空间的方法1995年,Vapnik等人正式提出统计学习理论。2、现状理论改进:模糊支持向量机最小二乘支持向量机加权支持向量机主动学习的支持向量机粗糙集与支持向量机的结合基于决策树的
·
SVM(support victor machine)
1、支持向量机发展历史
1963年,Vapnik在解决模式识别问题时提出了支持向量方法。起决定性作用的样本为支持向量
1971年,Kimeldorf构造基于支持向量构建核空间的方法
1995年,Vapnik等人正式提出统计学习理论。
2、现状
理论改进:
- 模糊支持向量机
- 最小二乘支持向量机
- 加权支持向量机
- 主动学习的支持向量机
- 粗糙集与支持向量机的结合
- 基于决策树的支持向量机
- 分级聚类的支持向量机
算法改进:
- 对SVM算法问题的求解
- 对SVM本身模型进行改造
- 将SVM与具体问题相结合
Lau等[5]为SVM提出一种在线学习算法,用于处理按顺序逐渐提供输入数据的分类问题。该算法速度快,所用的支持向量个数少,具有强泛化能力。Laskov等[6]提出一种快速,数值稳定和鲁棒的增量支持向量机学习方法。Huang等[7]提出一种大边缘分类器,与其他大边缘分类器或局部构建分离超平面不同,该模型能局部和全局地判定边界。Kim等[8]提出适用于大数据的特征提取和分类算法。
参考机器学习发展历史及现状(重要的期刊,会议,大牛总结)
3、未来趋势
目前支持向量机有着几方面的研究热点:核函数的构造和参数的选择;支持向量机从两类问题向多类问题的推广;更多的应用领域的推广;与目前其它机器学习方法的融合;与数据预处理(样本的重要度,属性的重要度,特征选择等)方面方法的结合,将数据中脱离领域知识的信息,即数据本身的性质融入支持向量机的算法中从而产生新的算法;支持向量机训练算法的探索。
更多推荐
所有评论(0)