论文部分内容阅读
类似大多数基于统计的纯数据驱动机器学习方法一样,标准支持向量机回归也是建立在对纯样本数据学习基础上的,需要足够多标记好的样本数据才能保证模型的性能,当样本数据集趋于无穷大时,学习模型也越趋向于真实模型。然而在实际应用中,这个条件往往很难得到满足。如果能将样本数据的先验知识融合到支持向量机回归中,就可以弥补样本不足的缺陷。本文提出一种融合先验知识的支持向量机回归方法,给出了理论推导的一般形式,并通过实验证明该方法的有效性。