论文部分内容阅读
经典的P范数支持向量机分类算法的正则化阶次P往往被选定为0、1或2。但是通过大量的实验可知,P取0、1或2的分类效果并不一定是最佳的。针对不同的数据使用不同的正则化阶次,可以改进分类算法的预测准确率。刘建伟等从目前迭代再权的思想出发讨论了P范数正则化支持向量机问题,但由于每次求解的均是原问题的近似问题,因而得到的解是近似解。从最优化角度出发,应用非凸共轭梯度算法求解0〈P〈1时的P范数正则化支持向量机问题,分别对3种不同的支持向量机问题进行了求解,并通过处理3种典型的癌症数据集展示了算法的良好分类效果。