支持向量机是在20世纪90年代由V.Vapnik等人研究并迅速发展起来的一种基于统计学习理论的机器学习算法。它通过寻求结构风险最小化来实现实际风险最小化，从而在样本量较小的情况下也能获得良好的学习效果。支持向量机算法是一个二次优先问题，因此，能保证所得到的解是全局最优的解。支持向量机具有完备的理论基础（统计学习理论）和出色的应用表现，正成为神经网络之后，机器学习领域中新的研究热点。以往困扰机器学习方法的很多问题，如模型选择与学习问题、非线性和维数灾难问题、局部极小问题等，在这里都得到了一定程度上的解决。它已经应用在模式识别、函数回归和概率密度估计等方面。本书由两部分组成。第一部分集中讨论用支持向量机解决时间序列的预测问题。时间序列的预测是回归研究中最常见的问题之一。第二部分研究用支持向量机解决分类问题与奇异点检测问题。
鄂公网安备 42010302001612号 