负距离核的复数分解
机器学习
2016-01-06 v1
摘要
支持向量机（SVM）已成为文本分类中非常流行的机器学习方法。其原因之一在于现有核函数的范围，这些核函数允许对非线性可分数据进行分类。线性核、多项式核和RBF（高斯径向基函数）核是常用核函数，在我们的研究中作为比较的基础。我们展示了如何通过复数推导二次幂核（PK）——也称为负欧几里得距离核（NDK）——的原始形式。我们在文本分类框架中以Dewey文献分类（DDC）为目标方案来展示NDK的应用。我们的评估表明，幂核产生的F-score与参考核函数相当，但除线性核外，计算速度更快。最后，我们展示了如何通过引入Mahalanobis距离来扩展NDK方法。
引用
@article{arxiv.1601.00925,
title = {Complex Decomposition of the Negative Distance kernel},
author = {Tim vor der Brück and Steffen Eger and Alexander Mehler},
journal= {arXiv preprint arXiv:1601.00925},
year = {2016}
}
备注
Proceedings of the IEEE International Conference on Machine Learning an Applications, Miami, Florida, 2015