Support Vector Machine incorporated with feature discrimination
Support Vector Machine incorporated with feature discrimination
复制标题
结合特征判别的支持向量机
DOI：
10.1016/j.eswa.2011.04.034
复制
发表时间：
2011-09
影响因子：
8.5
通讯作者：
Hui Xue
中科院分区：
文献类型：
--
作者：
Yunyun Wang;Songcan Chen;Hui Xue
支持向量机 (SVM) 在许多实际应用中实现了最先进的性能。其性能优越性的保证来自于类间裕度的最大化，或者宽松地说，充分利用类间样本的判别信息。而在本文中，我们不仅关注样本中的此类判别信息，还关注个体特征的判别，并开发了特征判别合并支持向量机（FDSVM）。 FDSVM不是最小化特征权重向量的l2范数，或者等价地，对SVM学习中的所有权重分量施加相同的惩罚，而是对每个权重进行惩罚，惩罚量随着相应的特征区分度而减小，因此具有更好区分度的特征可以得到更大的重视。对玩具数据集和真实 UCI 数据集的实验表明，FDSVM 通常能够以相当的效率实现更好的性能。
Support Vector Machine (SVM) achieves state-of-the-art performance in many real applications. A guarantee of its performance superiority is from the maximization of between-class margin, or loosely speaking, full use of discriminative information from between-class samples. While in this paper, we focus on not only such discriminative information from samples but also discrimination of individual features and develop feature discrimination incorporated SVM (FDSVM). Instead of minimizing the l2-norm of feature weight vector, or equivalently, imposing equal penalization on all weight components in SVM learning, FDSVM penalizes each weight by an amount decreasing with the corresponding feature discrimination measure, consequently features with better discrimination can be attached greater importance. Experiments on both toy and real UCI datasets demonstrate that FDSVM often achieves better performance with comparable efficiency.
登录
查看更多内容
DOI：
10.1017/cbo9780511801389.013
发表时间：
2000-03
期刊：
--
影响因子：
--
作者：
N. Cristianini;J. Shawe-Taylor
通讯作者：
N. Cristianini;J. Shawe-Taylor
DOI：
10.1109/ictai.2003.10009
发表时间：
2003
期刊：
--
影响因子：
--
作者：
J. Shawe-Taylor;N. Cristianini
通讯作者：
J. Shawe-Taylor;N. Cristianini
DOI：
--
发表时间：
1996
期刊：
--
影响因子：
--
作者：
C. Merz
通讯作者：
C. Merz
影响因子：
8.5
作者：
Ding, Yongsheng;Song, Xinping;Zen, Yueming
通讯作者：
Zen, Yueming
DOI：
--
发表时间：
1999-06
期刊：
--
影响因子：
--
作者：
T. Joachims
通讯作者：
T. Joachims