原书出处
智能算法导论
172 1 7 . 3 最 小 二 乘 法 在 机 器 学 习 中 的 应 用
允许,求解时更优先考虑最小二乘法[8]。 研究者们对最基础的最小二乘法进行了各种改进优化,使之能够处理更多复杂的任务。
早在1979年,Otsu在研究灰度直方图时就使用了最小二乘估计[1];1982年,S. Lloyd将之应用于脉冲编码调制中[3];1994年,M. T. Hagan等提出了非线性最小二乘的Marquardt算法[2],用于训练前馈神经网络的反向传播;2003年,J. Portilla等在小波域中使用高斯混合比例尺度进行图像去噪[5],构建的模型中每个系数均计算了最小二乘估值,并据此使系数保持在合理范围内;2012年,Guang-Bin Huang等简化了最小二乘支持向量机和近端支持向量机[4],结合其他极限学习机构建了正则化算法的统一学习框架。
此处介绍最小二乘法支持向量机(LSSVM)[9]。对于SVM问题,约束条件是不等式约束: 对于LSSVM,原问题变为等
原书定位详情
来源:a19c7933-4eda-4176-aebd-30fe7e1ad292
正文位置:extracted/智能算法导论/_epub-src/EPUB/xhtml/chapter17_0003.xhtml
EPUB SHA-256:18e2691ea1badb55bab48f10fe7172f9d6a95bc5207bb2e234686cbbaff3641d