A Mathematical Programming Approach to the Kernel Fisher Algorithm
A Mathematical Programming Approach to the Kernel Fisher Algorithm
复制标题
DOI：
--
复制
发表时间：
2000
期刊：
影响因子：
--
通讯作者：
S. Mika;G. Rätsch;K. Müller
中科院分区：
文献类型：
--
作者：
S. Mika;G. Rätsch;K. Müller
我们研究了一种新的基于核的分类器：核Fisher判别（KFD）。一个数学规划公式的基础上的观察，KFD最大化的平均利润允许一个有趣的修改原始KFD算法产生的稀疏KFD。我们发现，KFD和建议稀疏KFD，可以理解在一个统一的概率背景下。此外，我们展示了支持向量机和相关向量机的连接。从这个理解，我们能够概述一个有趣的内核回归技术的基础上KFD算法。模拟支持我们的方法的有用性。
We investigate a new kernel-based classifier: the Kernel Fisher Discriminant (KFD). A mathematical programming formulation based on the observation that KFD maximizes the average margin permits an interesting modification of the original KFD algorithm yielding the sparse KFD. We find that both, KFD and the proposed sparse KFD, can be understood in an unifying probabilistic context. Furthermore, we show connections to Support Vector Machines and Relevance Vector Machines. From this understanding, we are able to outline an interesting kernel-regression technique based upon the KFD algorithm. Simulations support the usefulness of our approach.