...及软间隔最大化，学习非线性支持向量机。通过使用核函数可以学习非线性支持向量机，等价于隐式地在高维的特征空间中学习线性支持向量机。核方法（kernel method）是比支持向量机更为一般的机器学习方法。 线性可分支持向量机与硬间隔最大化 支持向量机的学习是在特征空间进行的。
基于248个网页-相关网页
... 支持向量机SVM（Support Vector Machines） 核方法（Kernel Methods） 混合模型（Mixture Model） ...
基于2个网页-相关网页
最早将核方法思想应用于特征提取中的是Scholkop肖人【21，于1999年借鉴SVM的核方法（Kemel Method）思想，将PCA拓展到非线性情形，提出了核主分量分析（KPCA）。
基于1个网页-相关网页
审核方法 Audit methods ; Auditing methodology
考核方法 assessing means ; evaluation method ; assessed method
绩效考核方法 performance appraisal method
教学考核方法 Teaching inspection method
文章使用核方法 Kernel Methods ; KMS
复核方法 recheck method
平均核方法 Average kernel method
工作表现评核方法 performance appraisal technique
编译内核的方法 Kernel compilation
核方法kernel methods (KMs)是一类模式识别的算法。其目的是找出并学习一组数据中的相互的关系。用途较广的核方法有支持向量机、高斯过程等。 核方法是解决非线性模式分析问题的一种有效途径，其核心思想是：首先，通过某种非线性映射将原始数据嵌入到合适的高维特征空间；然后，利用通用的线性学习器在这个新的空间中分析和处理模式。 相对于使用通用非线性学习器直接在原始数据上进行分析的范式，核方法有明显的优势： 首先，通用非线性学习器不便反应具体应用问题的特性，而核方法的非线性映射由于面向具体应用问题设计而便于集成问题相关的先验知识。 再者，线性学习器相对于非线性学习器有更好的过拟合控制从而可以更好地保证泛化性能。 还有，很重要的一点是核方法还是实现高效计算的途径，它能利用核函数将非线性映射隐含在线性学习器中进行同步计算，使得计算复杂度与高维特征空间的维数无关。
应用推荐