最小二乘支持向量机(LSSVM)简述
来源:互联网 发布:小米4能用移动4g网络吗 编辑:程序博客网 时间:2024/05/19 18:39
最小二乘支持向量机简述
前言:偶然间看过July的《支持向量机通俗导论》,受益良多,出于兴趣又看了一些LSSVM(最小二乘支持向量机)的相关文献,在这儿随便贴一点。
正文:首先,关于支持向量机的基础知识可以戳[http://www.cnblogs.com/v-July-v/archive/2012/06/01/2539022.html],这篇《支持向量机通俗导论》已经把SVM的基本概念讲得很透彻了。
先说LSSVM分类,LSSVM和SVM的区别就在于,LSSVM把原方法的不等式约束变为等式约束,从而大大方便了Lagrange乘子alpha的求解,原问题是QP问题,而在LSSVM中则是一个解线性方程组的问题。
对于SVM问题,约束条件是不等式约束:
对于LSSVM,原问题变为等式约束:
原SVM问题中的
另外,在LSSVM中
接下来,和SVM类似,采用
分别对
接下来,根据这四个条件可以列出一个关于
其中
解上述方程组可以得到一组
最后得到LSSVM分类表达式:
那么对比SVM,LSSVM的预测能力究竟怎么样呢,简单说来,由于是解线性方程组,LSSVM的求解显然更快,但标准基本形式的LSSVM的预测精准度比SVM稍差一些。
接下来说回归。
如果说分类是用一个超平面将两组数据分开的话,个人理解LSSVM回归就是用一个超平面对已知数据进行拟合,问题如下:
这里的
进一步推导:
最后化为解下列线性方程组:
有核矩阵如下:
解上述方程组得到LSSVM回归函数:
- 最小二乘支持向量机(LSSVM)简述
- 最小二乘支持向量机(LSSVM)简述
- 最小二乘支持向量机——LSSVM
- 【机器学习】求解过程快速又简单的最小二乘支持向量机LSSVM二分类
- 基于粒子群算法的最小二乘支持向量机实现多分类(PSO_LSSVM)
- 最小二乘支持向量机(LS-SVM)工具箱及使用说明
- 稀疏化鲁棒最小二乘支持向量机与多目标遗传优化
- 支持向量机基础简述
- SVM--支持向量机简述
- 支持向量机(二)
- 支持向量机(二)
- 支持向量机(二)
- 支持向量机(二)
- 支持向量机(二)
- 支持向量机(二)
- LSSVM(Least Squares SVM)与SVR(支持向量回归)
- 【机器学习】支持向量机(二)——序列最小最优化(SMO)算法
- SVM-支持向量机算法简述
- TCP/IP 网络栈 & 编写网络应用
- Duilib中Scrollbar的设置问题
- Linux进程通信之消息队列
- Java Web框架之一层模型-JSP实现
- Linux下网络流量实时监控工具 大全
- 最小二乘支持向量机(LSSVM)简述
- NSString什么时候用copy,什么时候用strong
- Jmeter http请求 Demo(压测Elasticsearch)
- 黑马程序员——java基础之IO流
- 修改 openstack 中 nova boot 创建实例只能在10个以内的限制
- 指针函数与函数指针的区别
- 什么是DSL
- linux下iptraf和netperf的应用
- 百度新接口,让网页秒收