一种基于圆形分布的支撑向量机核选择方法

郭金玲

（山西大学商务学院，山西太原 030031）

一种基于圆形分布的支撑向量机核选择方法

郭金玲

（山西大学商务学院，山西太原 030031）

针对目前支撑向量机核函数的选择没有统一规则的现状，提出了一种结合数据分布特征进行支撑向量机核选择的方法。首先，采用多维尺度分析方法对高维数据集合理降维，提出判断数据集是否呈圆形分布的算法，在得到数据集分布特征的基础上进行核选择，达到结合数据分布特征合理选择支撑向量机核函数的目的。实验结果表明：呈圆形分布的数据集采用极坐标核进行分类，识别率达到100%，训练时间短，优于采用神经网络、决策树、高斯核及多项式核的分类效果。该方法提高了支撑向量机的泛化能力。

支撑向量机；核选择；圆形分布；极坐标

0 引言

支撑向量机（SVM）是一种基于统计学习理论的学习方法［1］，主要被用来解决数据的回归与分类问题。在使用SVM进行回归或分类时常用的核函数有高斯核、多项式核构造SVM最重要的一个问题是SVM核的正确选择，因此，目前SVM的一个重要研究内容就是如何有效进行核函数的选择。

在采用SVM处理数据分类问题时，基于数据依赖的SVM核函数选择方法［5－8］主要是在SVM训练之前对核及参数进行优化处理。如文献［7－8］提出的极小化R2／△2的核选择方法、两步迭代法等。基于数据独立的SVM核函数选择方法［9－10］主要利用有关问题的先验信息进行SVM核函数选择，代表性的方法有留一交叉校验法［9］等。数据依赖的方法具有通用性，但泛化能力差。……