论文部分内容阅读
在机器学习领域,支持向量机SVM（Support Vector Machine）是一个有监督的学习模型,通常用来进行模式识别、分类以及回归分析.模型选择是影响SVM性能的主要因素,具体地讲是SVM中的核函数及其惩罚系数C的选择决定着SVM的分类能力.本文首先讨论了一种评价核函数好坏的重要标准,即核极化.在此基础上提出了基于核函数优化问题的自适应梯度算法,即用一种自适应步长去改进原来的固定步长.UCI数据集（机器学习数据库）上的实验结果验证了这种自适应梯度算法的有效性,结果表明该算法能有效减少程序运行的迭代