支持向量機(jī)的發(fā)展

自從90年代初經(jīng)典SVM的提出，由于其完整的理論框架和在實(shí)際應(yīng)用中取得的很多好的效果，在機(jī)器學(xué)習(xí)領(lǐng)域受到了廣泛的重視。其理論和應(yīng)用在橫向和縱向上都有了發(fā)展。

?

理論上：1.模糊支持向量機(jī)，引入樣本對(duì)類別的隸屬度函數(shù)，這樣每個(gè)樣本對(duì)于類別的影響是不同的，這種理論的應(yīng)用提高了SVM的抗噪聲的能力，尤其適合在未能完全揭示輸入樣本特性的情況下。

2．最小二乘支持向量機(jī)。這種方法是在1999年提出，經(jīng)過這幾年的發(fā)展，已經(jīng)應(yīng)用要很多相關(guān)的領(lǐng)域。研究的問題已經(jīng)推廣到：對(duì)于大規(guī)模數(shù)據(jù)集的處理；處理數(shù)據(jù)的魯棒性；參數(shù)調(diào)節(jié)和選擇問題；訓(xùn)練和仿真。

3．加權(quán)支持向量機(jī)（有偏樣本的加權(quán)，有偏風(fēng)險(xiǎn)加權(quán)）。

4．主動(dòng)學(xué)習(xí)的支持向量機(jī)。主動(dòng)學(xué)習(xí)在學(xué)習(xí)過程中可以根據(jù)學(xué)習(xí)進(jìn)程，選擇最有利于分類器性能的樣本來進(jìn)一步訓(xùn)練分類器，特能有效地減少評(píng)價(jià)樣本的數(shù)量。也就是通過某種標(biāo)準(zhǔn)對(duì)樣本對(duì)分類的有效性進(jìn)行排序，然后選擇有效樣本來訓(xùn)練支持向量機(jī)。

5．粗糙集與支持向量機(jī)的結(jié)合。首先利用粗糙集理論對(duì)數(shù)據(jù)的屬性進(jìn)行約簡，能在某種程度上減少支持向量機(jī)求解計(jì)算量。

6．基于決策樹的支持向量機(jī)。對(duì)于多類問題，采用二岔樹將要分類的樣本集構(gòu)造出一系列的兩類問題，每個(gè)兩類構(gòu)造一個(gè)SVM。

7．分級(jí)聚類的支持向量機(jī)。基于分級(jí)聚類和決策樹思想構(gòu)建多類svm，使用分級(jí)聚類的方法，可以先把n-1個(gè)距離較近的類別結(jié)合起來，暫時(shí)看作一類，把剩下的一類作為單獨(dú)的一類，用svm分類，分類后的下一步不再考慮這單獨(dú)的一類，而只研究所合并的n-1類，再依次下去。

8．算法上的提高。

l???????? Vapnik在95年提出了一種稱為”chunking”的塊算法，即如果刪除矩陣中對(duì)應(yīng)Lagrange乘數(shù)為0的行和列，將不會(huì)影響最終結(jié)果。

l???????? Osuna提出了一種分解算法，應(yīng)用于人臉識(shí)別領(lǐng)域。

l???????? Joachims在1998年將Osuna提出的分解策略推廣到解決大型SVM學(xué)習(xí)的算法

l???????? Platt于1998年提出了序貫最小優(yōu)化（Sequential Minimal Optimization）每次的工作集中只有2個(gè)樣本。

???????????? 9．核函數(shù)的構(gòu)造和參數(shù)的選擇理論研究。基于各個(gè)不同的應(yīng)用領(lǐng)域，可以構(gòu)造不同的核函數(shù)，能夠或多或少的引入領(lǐng)域知識(shí)。現(xiàn)在核函數(shù)廣泛應(yīng)用的類型有：多項(xiàng)式逼近、貝葉斯分類器、徑向基函數(shù)、多層感知器。參數(shù)的選擇現(xiàn)在利用交叉驗(yàn)證的方法來確認(rèn)。

?10．支持向量機(jī)從兩類問題向多類問題的推廣：

n???????? Weston在1998年提出的多類算法為代表。在經(jīng)典svm理論的基礎(chǔ)上，直接在目標(biāo)函數(shù)上進(jìn)行改進(jìn)，重新構(gòu)造多值分類模型，建立k分類支持向量機(jī)。通過sv方法對(duì)新模型的目標(biāo)函數(shù)進(jìn)行優(yōu)化，實(shí)現(xiàn)多值分類。這類算法選擇的目標(biāo)函數(shù)十分復(fù)雜，變量數(shù)目過多，計(jì)算復(fù)雜度也非常高，實(shí)現(xiàn)困難，所以只在小型問題的求解中才能使用。Weston,Multi-class support vector machines

n???????? 一對(duì)多（one-against-rest）----- Vapnik提出的,k類---k個(gè)分類器，第m個(gè)分類器將第m類與其余的類分開，也就是說將第m類重新標(biāo)號(hào)為1，其他類標(biāo)號(hào)為-1。完成這個(gè)過程需要計(jì)算k個(gè)二次規(guī)劃，根據(jù)標(biāo)號(hào)將每個(gè)樣本分開，最后輸出的是兩類分類器輸出為最大的那一類。不足：容易產(chǎn)生屬于多類別的點(diǎn)（多個(gè)1）和沒有被分類的點(diǎn)（標(biāo)號(hào)均為-1）--不對(duì)，訓(xùn)練樣本數(shù)據(jù)大，訓(xùn)練困難，推廣誤差無界.

n???????? 一對(duì)一（one-against-one）---Kressel 對(duì)于任意兩個(gè)分類，構(gòu)造一個(gè)分類器，僅識(shí)別這兩個(gè)分類，完成這個(gè)過程需要k(k-1)/2個(gè)分類器，計(jì)算量是非常龐大的。對(duì)于每一個(gè)樣本，根據(jù)每一個(gè)分類器的分類結(jié)果，看屬于哪個(gè)類別的次數(shù)多，最終就屬于哪一類(組合這些兩類分類器并使用投票法，得票最多的類為樣本點(diǎn)所屬的類)。不足：如果單個(gè)兩類分類器不規(guī)范化，則整個(gè)N類分類器將趨向于過學(xué)習(xí)；推廣誤差無界；分類器的數(shù)目K隨類數(shù)急劇增加，導(dǎo)致在決策時(shí)速度很慢。

n???????? 層（數(shù)分類方法），是對(duì)一對(duì)一方法的改進(jìn)，將k個(gè)分類合并為兩個(gè)大類，每個(gè)大類里面再分成兩個(gè)子類，如此下去，直到最基本的k個(gè)分類，這樣形成不同的層次，每個(gè)層次都用svm來進(jìn)行分類------1對(duì)r-1法，構(gòu)建k-1個(gè)分類器，不存在拒絕分類區(qū)。

?

?應(yīng)用上：人臉檢測，汽輪發(fā)電機(jī)組的故障診斷，分類，回歸，聚類，時(shí)間序列預(yù)測，系統(tǒng)辨識(shí)，金融工程，生物醫(yī)藥信號(hào)處理，數(shù)據(jù)挖掘，生物信息，文本挖掘，自適應(yīng)信號(hào)處理，剪接位點(diǎn)識(shí)別，基于支持向量機(jī)的數(shù)據(jù)庫學(xué)習(xí)算法，手寫體相似字識(shí)別，支持向量機(jī)函數(shù)擬合在分形插值中的應(yīng)用，基于支持向量機(jī)的慣導(dǎo)初始對(duì)準(zhǔn)系統(tǒng)，巖爆預(yù)測的支持向量機(jī)，缺陷識(shí)別，計(jì)算機(jī)鍵盤用戶身份驗(yàn)證，視頻字幕自動(dòng)定位于提取，說話人的確認(rèn)，等等。

?

主要研究熱點(diǎn)

從上面的發(fā)展中，我們可以總結(jié)出，目前支持向量機(jī)有著幾方面的研究熱點(diǎn)：核函數(shù)的構(gòu)造和參數(shù)的選擇；支持向量機(jī)從兩類問題向多類問題的推廣；更多的應(yīng)用領(lǐng)域的推廣；與目前其它機(jī)器學(xué)習(xí)方法的融合；與數(shù)據(jù)預(yù)處理（樣本的重要度，屬性的重要度，特征選擇等）方面方法的結(jié)合，將數(shù)據(jù)中脫離領(lǐng)域知識(shí)的信息，即數(shù)據(jù)本身的性質(zhì)融入支持向量機(jī)的算法中從而產(chǎn)生新的算法；支持向量機(jī)訓(xùn)練算法的探索。

?

原文來自：http://blog.sina.com.cn/s/blog_537f95ab010003h3.html

總結(jié)

以上是生活随笔為你收集整理的SVM的发展和研究热点的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。