搜索资源列表
@polynomial
- VC维理论和结构风险最小化准则是统计学习理论中的重要内容,基于这一理论的支持向量机算法由于具有好的泛化性能受到重视,并被研究用于文本分类问题.基于多项式核的研究工作认为SVM的泛化能力不受多项式阶数的影响,并且能够处理很高维的分类问题,用于文本分类无需进行特征选择.研究发现,随着多项式核阶数的升高,SVM文本分类器会出现过学习现象,并且特征数越多越明显,特征选择是必需的.通过估计函数集的VC维,基于结构风险最小化理论对此问题进行分析,得出的结论跟实验结果相符.
adaboost
- 两个adaboost算法，代码很短，都有中文注释，第二个代码是第一个的改进。-Two algorithms about adaboost ,the code is very brief,including the Chinese comments. The second one improver better than the first one.
libsvm-mat-2.9-1
- SVM的VC程序，有matlab接口，便于调用，还有例子，用于模式识别，分类，预测。-SVM, VC procedures, matlab interface, easy call, as well as an example, for pattern recognition, classification and prediction
SVM
- 支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度，Accuracy）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力[14]（或称泛化能力）。 -SVM is based on statistical learning theory and the theory of VC dimension based on structural risk minimization pr
libsvm-3.17
- svm分类器,实现线性svm分类，可以在matlab中或是vc++中编译运行，首先要进行编译-svm linear classifier
LS-SVMlab1.5
- LMS 优化支持向量机 支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以求获得最好的推广能力 。-LMS Support Vector Machine optimization SVM method is based on the VC dimension theory and structural risk minimization prin
libsvm-mat-2.91-1
- Matlab上使用SVM所需插件 2. 操作流程： 请注意：详细操作流程请参考上面的“详解”网站，这里只说大框架和详解里没有提到的问题。 A.设置path File->set path ->add with subfolders->加入libsvm-3.11文件夹的路径 B. 在matlab中编译 目的：将libsvm-3.11\matlab 中 libsvmwrite.c 等 C++文件编译成 libsvmread.mexw32 等matl