专利名称：基于支持向量机正则化路径的贝叶斯模型平均模型组合方法
技术领域：
在本发明涉及支持向量机正则化路径上的模型组合，特别是一种基于贝叶斯模型平均的模型组合方法。
背景技术：
支持向量机(Support Vector Machine, SVM)是Vapnik等人提出的一种基于统计学习理论的机器学习方法，它以最大化分类间隔构造最优分类超平面来提高分类器的泛化能力，较好地解决了非线性、高维数、局部极小点等问题。与传统的神经网络学习方法相比， SVM具有结构风险最小，可以逼近任意函数且保证全局最优，适用于小样本、非线性核高维建模的领域。目前，SVM已广泛应用于手写字识别、文本分类、语音识别等方面，并取得了良好的应用效果。对于2-分类支持向量机，已知训练集
权利要求
1. 一种基于支持向量机正则化路径的贝叶斯模型平均模型组合方法，该方法包括以下步骤步骤一，计算支持向量机2-分类模型的正则化路径，得到初始模型集； 根据正则化路径算法，在训练数据集上运行正则化路径算法，得到初始模型集Μ ,Μ={/Λ)\^ε
,M中的模型个数等于svmpath算法的迭代次数况，且况为伐！！！^！^及))，ι的取值范围大概为W，6], 表示正类训练样本个数；I表示负类训练样本个数；步骤二，在得到的正则化路径上应用贝叶斯公式求解模型的后验概率； 模型/』的先验被赋予一个简单的高斯过程，高斯过程先验的协方差矩阵是正定矩阵，作为SVM的核矩阵
全文摘要
本发明公开了一种基于支持向量机正则化路径的贝叶斯模型平均模型组合方法，该方法包括以下步骤计算支持向量机2-分类模型的正则化路径，得到初始模型集；在得到的正则化路径上应用贝叶斯公式求解模型的后验概率；贝叶斯模型平均预测；步骤四，得到预测输出；与广义近似交叉验证方法相比，基于支持向量机正则化路径的贝叶斯模型平均模型组合算法具有更低的分类误差，在保证较高预测精确率的同时，较大的减少了运行时间并降低了操作复杂度。
文档编号G06K9/62GK102208030SQ20111014924
公开日2011年10月5日 申请日期2011年6月3日 优先权日2011年6月3日
发明者廖士中, 赵宁, 赵志辉 申请人:天津大学