多类分类是机器学习领域中的重要问题.目前普遍采用的多类分类方法:"one versus all"(OvA)直接利用"标准"的两类分类器重复构造两类分类器,导致计算复杂度较高、分类效率降低.基于支持向量机的多类分类器尽管无需...多类分类是机器学习领域中的重要问题.目前普遍采用的多类分类方法:"one versus all"(OvA)直接利用"标准"的两类分类器重复构造两类分类器,导致计算复杂度较高、分类效率降低.基于支持向量机的多类分类器尽管无需重复构造两类分类器,但由于它对应于版本空间(version space)内最大超球的中心,所以当版本空间为非对称或比较狭长时,它的泛化能力显著降低.而基于版本空间解析中心的多类分类算法M-ACM克服了上述问题.从理论上分析了该分类器的泛化性能,给出了它的泛化误差上界,并进行了实验验证.展开更多
文摘多类分类是机器学习领域中的重要问题.目前普遍采用的多类分类方法:"one versus all"(OvA)直接利用"标准"的两类分类器重复构造两类分类器,导致计算复杂度较高、分类效率降低.基于支持向量机的多类分类器尽管无需重复构造两类分类器,但由于它对应于版本空间(version space)内最大超球的中心,所以当版本空间为非对称或比较狭长时,它的泛化能力显著降低.而基于版本空间解析中心的多类分类算法M-ACM克服了上述问题.从理论上分析了该分类器的泛化性能,给出了它的泛化误差上界,并进行了实验验证.
