The learning performance of support vector machine classification based on Markov sampling
The learning performance of support vector machine classification based on Markov sampling
复制标题
基于马尔可夫采样的支持向量机分类的学习性能
DOI：
10.1007/s11432-011-4412-7
复制
发表时间：
2013-03
期刊：
影响因子：
--
通讯作者：
Xu ZongBen
中科院分区：
文献类型：
--
作者：
Zou Bin;Peng ZhiMing;Xu ZongBen
现有的支持向量机分类算法的一致性描述框架通常是基于独立同分布（i.i.d.）样品在本文中，我们远远超出了这些经典的框架，通过研究的一致遍历马尔可夫链样本的线性预测模型的SVMC算法的一致性。给出了一致遍历马尔可夫链样本下SVMC算法的一致性界，证明了一致遍历马尔可夫链样本下SVMC算法是一致的。受马尔可夫链蒙特卡罗（MCMC）方法思想的启发，提出了一种新的用于分类的马尔可夫抽样算法，从大数据集中产生均匀遍历的马尔可夫链样本，并利用SVMC算法对模拟数据和基准库进行了数值研究.
The previously known frameworks describing the consistency of support vector machine classification (SVMC) algorithm are usually based on the assumption of independent and identically distributed (i.i.d.) samples. In this paper we go far beyond these classical frameworks by studying the consistency of SVMC algorithm with uniformly ergodic Markov chain samples based on linear prediction models. We establish the bound on the consistency of SVMC algorithm with uniformly ergodic Markov chain samples, and show that SVMC algorithm with uniformly ergodic Markov chain samples is consistent. Inspired by the idea from Markov chain Monto Carlo (MCMC) methods, we introduce a new Markov sampling algorithm for classification to generate uniformly ergodic Markov chain samples from large data set, and present numerical studies on simulated data and benchmark repository using SVMC algorithm.
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：
10.1007/bf01084250
发表时间：
1977-02
期刊：
Journal of Soviet Mathematics
影响因子：
--
作者：
B. L. Granovskii;S. M. Ermakov
通讯作者：
B. L. Granovskii;S. M. Ermakov
DOI：
10.1080/01621459.1990.10476213
发表时间：
1990-06
影响因子：
3.7
作者：
A. Gelfand;Adrian F. M. Smith
通讯作者：
A. Gelfand;Adrian F. M. Smith
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