最小二乘法支持向量机原理_LS最小二乘

最小二乘支持向量机（LSSVM）详解

第四十六次写博客，本人数学基础不是太好，如果有幸能得到读者指正，感激不尽，希望能借此机会向大家学习。在《Feature Selection详解（附带Relief、Relief-F、LVM详解）（一）》一文中曾对支持向量机（SVM）以及支持向量回归（SVR）进行了详细的介绍，在给出二次规划问题后，需要使用SMO算法对目标进行优化，由于SMO算法运行过程中需要对原数据进行循环扫描，来查找满足条件的样本点，因此该算法的时间复杂度是非常高的，本文介绍一种解决该问题的SVM算法变体——最小二乘支持向量机（LSSVM）。

LSSVM的特性

  1) 同样是对原始对偶问题进行求解，但是通过求解一个线性方程组（优化目标中的线性约束导致的）来代替SVM中的QP问题（简化求解过程），对于高维输入空间中的分类以及回归任务同样适用；
  2) 实质上是求解线性矩阵方程的过程，与高斯过程（Gaussian processes），正则化网络（regularization networks）和费雪判别分析（Fisher discriminant analysis）的核版本相结合；
  3) 使用了稀疏近似（用来克服使用该算法时的弊端）与稳健回归（稳健统计）；
  4) 使用了贝叶斯推断（Bayesian inference）；
  5) 可以拓展到非监督学习中：核主成分分析（kernel PCA）或密度聚类；
  6) 可以拓展到递归神经网络中。

LSSVM用于分类任务

  1) 优化目标

  2) 拉格朗日乘子法

  其中${\alpha }_i$

今天的文章最小二乘法支持向量机原理_LS最小二乘分享到此就结束了，感谢您的阅读。