文摘
英文文摘
前言
声明
第一章绪论
1.1机器学习理论概述
1.1.1 机器学习问题的表示
1.1.2 经验风险最小化原则
1.1.3 机器学习的发展简史
1.2统计学习理论的核心内容
1.2.1 VC维简介
1.2.2 推广性的界
1.2.3 结构风险最小化原则
第二章支持向量机基本原理及变形算法
2.1最优分类面
2.2广义最优分类面
2.3基于核函数的学习方法
2.4支持向量机
2.5支持向量机的变形算法L2-SVM
第三章不平衡样本集中支持向量机研究现状与仿真实验
3.1不平衡样本集的性能分析与研究现状
3.1.1 不平衡样本集中支持向量机的性能分析
3.1.2 重构数据集方法的研究现状
3.2不平衡样本集中支持向量机算法的改进
3.2.1 L1-SVM的改进
3.2.2 υ-SVM的改进
3.3仿真实验
3.3.1 实验的目的
3.3.2 实验的方法和步骤
3.3.3 实验结果及分析
第四章不平衡样本集的支持向量机模型选择的新方法
4.1特征空间超平面VC维
4.2模型选择中目标函数的选取
4.3模型选择中SVM类型的选择
4.4基于梯度法和VC维的模型选择方法
4.4.1 求VC维关于参数梯度的思路
4.4.2 基于梯度法的优化过程
4.4.3 算法实现的主要内容
第五章实验过程与结果分析
5.1实验一VOWEL数据集性能测试
5.2实验二SATIMAGE数据集性能测试
5.3实验三SATIMAGE数据集多类分类性能测试
第六章总结与展望
参考文献
致谢
南京师范大学;