Generalization performance of Gaussian kernels SVMC based on Markov sampling
Generalization performance of Gaussian kernels SVMC based on Markov sampling
复制标题
基于马尔可夫采样的高斯核SVMC泛化性能
DOI：
10.1016/j.neunet.2014.01.013
复制
发表时间：
2014-05
期刊：
影响因子：
--
通讯作者：
Lu Yang
中科院分区：
文献类型：
--
作者：
Xu Jie;Tang Yuan Yan;Zou Bin;Xu Zongben;Li Luoqing;Lu Yang
本文研究了具有均匀遍历马尔可夫链（u.e.M.c.）的高斯RBF核支持向量机分类（SVMC）算法。再生核希尔伯特空间（RKHS）。分析了基于u.e.M.c.的高斯RBF核支持向量机的学习率。样本，并获得快速学习速度的高斯RBF核SVMC基于u.e.M.c.利用u.e.M.c.样品我们还提出了基于马尔可夫采样的高斯RBF核SVMC的学习性能的数值研究，对现实世界的数据集。实验结果表明，基于马尔可夫采样的高斯RBF核支持向量机比随机独立采样的支持向量机具有更好的学习性能。
In this paper we consider Gaussian RBF kernels support vector machine classification (SVMC) algorithm with uniformly ergodic Markov chain (u.e.M.c.) samples in reproducing kernel Hilbert spaces (RKHS). We analyze the learning rates of Gaussian RBF kernels SVMC based on u.e.M.c. samples and obtain the fast learning rate of Gaussian RBF kernels SVMC based on u.e.M.c. samples by using the strongly mixing property of u.e.M.c. samples. We also present the numerical studies on the learning performance of Gaussian RBF kernels SVMC based on Markov sampling for real-world datasets. These experimental results show that Gaussian RBF kernels SVMC based on Markov sampling has better learning performance compared to randomly independent sampling.
登录
查看更多内容
DOI：
10.1007/978-1-4899-7687-1_810
发表时间：
2017
期刊：
--
影响因子：
--
作者：
Xinhua Zhang
通讯作者：
Xinhua Zhang
DOI：
10.1162/153244302760185252
发表时间：
2002-03
期刊：
J. Mach. Learn. Res.
影响因子：
--
作者：
Ingo Steinwart
通讯作者：
Ingo Steinwart
DOI：
10.1201/9781003139041-11
发表时间：
2021-03
期刊：
An Introduction to IoT Analytics
影响因子：
--
作者：
Harry G. Perros
通讯作者：
Harry G. Perros
影响因子：
7.4
作者：
Ke-Lin Du;M. Swamy
通讯作者：
Ke-Lin Du;M. Swamy
影响因子：
3
作者：
Peng, Lizhong;Tong, Hongzhi;Chen, Di-Rong
通讯作者：
Chen, Di-Rong