支持向量机的参数选择直接决定着支持向量机的泛化性能，模型选择是支持向量机的基本问题。组合支持向量机的泛化性较单个支持向量机......

多核学习在解决不规则和异构的大规模非线性数据问题时表现出良好的泛化性和灵活性。多核学习正则化路径是一种多次求解多核学习,......

正则化路径(regularization path)方法是统计机器学习中一种有效的参数选择方法,该方法可以得出正则化参数所有的可能取值以及对应......

模型组合旨在整合并利用假设空间中多个模型提高学习系统的稳定性和泛化性.针对支持向量机(support vector machine,SVM)模型组合......

模型选择问题是支持向量机的基本问题．基于核矩阵近似计算和正则化路径，提出一个新的支持向量机模型选择方法．首先，发展初步的近似模型......

模型组合是提高支持向量机泛化性的重要方法,但存在计算效率较低的问题。提出一种基于正则化路径上贝叶斯模型平均的支持向量机模......

模型组合旨在融合并利用假设空间中的多个模型,提高学习系统的可靠性和泛化性.目前,基模型产生通常基于训练样本集采样,实现过程比......

多核学习在处理异构、不规则和分布不平坦的样本数据时表现出良好的灵活性和可解释性.针对精确正则化路径算法难以处理大规模样本......

广义线性模型组LASSO(least absolute shrinkage and selection operator)路径β(λ)的计算有两项核心内容:选择路径参数λ的取值;......

正则化路径算法是数值求解支持向量机（supportvectormachine，SVM）分类问题的有效方法，它可在相当于一次SVM求解的时间复杂度内得到所有......