VC维期望上界最小化的最小二乘支持向量机

作者：李昊; 王士同^*

来源：计算机科学与探索, 2023, 17(07): 1599-1608.

• 最小二乘支持向量机(LSSVM)
• 机器学习
• VC维
• 分类

机器学习是现代计算机技术中比较重要的一个方面，而其中的支持向量机方法也因其良好的性能近年来得到了广泛关注，被应用于各行各业当中。而支持向量机的性能可以用VC维来衡量，VC维是衡量机器复杂性的一种指标，理论上来说，低VC维可以得到很好的泛化。但是，对于以传统支持向量机为基础的一些分类器方法来说，VC维在处理各种各样的数据时，支持向量机的VC维的上界可能是无穷的。尽管在实践与应用中得到了很好的结果，但并不能保证很好的泛化，导致对于一些特殊的数据取得的效果不好。因此，提出了一种改进LSSVM的算法，以LSSVM算法为基础，将VC维上界最小化并找到其期望的最佳投影方案，最后带入到LSSVM算法中来对数据进行分类。实验结果表明，在所采用的基准数据集上，该分类器的错误率低于传统最小二乘支持向量机，这意味着，所提出的算法以近似的支持向量个数使得测试精度优于比较算法，提高了算法的泛化能力。

• 单位
  江南大学