机读格式显示(MARC)

• 000 01343nam 2200277 450

• 001 0000318181

• 005 20191119091700.0

• 010 __ |a 978-7-5635-5766-0 |d CNY42.00

• 099 __ |a CAL 012019146311

• 100 __ |a 20190917d2019 em y0chiy50 ea

• 101 0_ |a chi

• 102 __ |a CN |b 110000

• 105 __ |a ak a 000yy

• 106 __ |a r

• 200 1_ |a 支持向量机鲁棒性模型与算法研究 |A zhi chi xiang liang ji lu bang xing mo xing yu suan fa yan jiu |f 王快妮著

• 210 __ |a 北京 |c 北京邮电大学出版社 |d 2019

• 215 __ |a 109页 |c 图 |d 26cm

• 225 2_ |a “十三五”科学技术专著丛书 |A “ shi san wu ” ke xue ji shu zhuan zhu cong shu

• 320 __ |a 有书目 (第102-109页)

• 330 __ |a 本书以结构风险最小化为原则的一种针对小样本情况的新型机器学习方法, 具有结构简单、全局最优解和泛化能力强等优点。支持向量机目前已成为机器学习领域解决分类问题和回归问题的有效工具。然而, 在现实问题中, 由于受到各种因素的影响, 样本数据通常含有噪声和异常值, 这些数据使支持向量机的学习能力受到影响, 表现在对异常值较敏感、鲁棒性较差等。本文拟从损失函数的角度出发, 应用最优化理论与方法, 研究具有鲁棒性的支持向量机改进模型与求解算法, 使其能更有效地解决实际问题。

• 410 _0 |1 2001 |a “十三五”科学技术专著丛书

• 606 0_ |a 向量计算机 |A xiang liang ji suan ji |x 研究

• 690 __ |a TP38 |v 5

• 701 _0 |a 王快妮 |A wang kuai ni |4 著

• 801 _0 |a CN |b 261080 |c 20191104

• 905 __ |a AUSTL |d TP38/W455