学习具有最小 VC 维的模糊超平面大间隔分类器
机器学习
2015-01-13 v1
摘要
Vapnik-Chervonenkis (VC) 维衡量学习机器的复杂度，较低的 VC 维能带来良好的泛化能力。最近提出的最小复杂度机 (MCM) 通过最小化 VC 维的精确上界来学习超平面分类器。本文将 MCM 分类器扩展到模糊域。已知使用模糊隶属度可减小离群点的影响，并降低噪声对学习的影响。实验结果表明，在多个基准数据集上，模糊 MCM 分类器在泛化能力方面优于支持向量机 (SVM) 和传统 MCM，且模糊 MCM 使用的支持向量更少。在若干基准数据集上，模糊 MCM 分类器在仅使用 SVM 十分之一的支持向量数量的情况下，取得了优异的测试集准确率。
引用
@article{arxiv.1501.02432,
title = {Learning a Fuzzy Hyperplane Fat Margin Classifier with Minimum VC dimension},
author = {Jayadeva and Sanjit Singh Batra and Siddarth Sabharwal},
journal= {arXiv preprint arXiv:1501.02432},
year = {2015}
}
备注
arXiv admin note: text overlap with arXiv:1410.4573