双边界支持向量机的理论研究与分析

摘要：

根据统计学习理论,间隔大小是反映泛化能力的一个很重要的方面.受一类支持向量机(SVM)的启发,提出的双边界SVM能分别用2个边界对2类问题分类.它能在保证分类正确的同时保证分类间隔的最大化,理论上分别从推广性能和不平衡类分布2方面证明了其优越性.标准数据集上的实验表明,双边界SVM得到的分类间隔要大于SVM,泛化性有了显著提高;另外,不平衡数据集上分析得到它对少数类识别率有明显提升.真实入侵数据测试结果表明,双边界SVM算法比边界样本选择算法的检测率高出2%以上.

关键词：分类间隔、泛化性能、双边界支持向量机

所属期刊栏目：33

分类号：TN929.53

资助基金：国家高技术研究发展计划项目2008AA01Z136

在线出版日期：2010-12-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：20-23