基于改进Joachims上界的SVM泛化性能评价方法

留一法(LeaveOneOut,LOO)错误率是评价支持向量机(SupportVectorMachine,SVM)性能最准确方法,LOO错误率越小,SVM泛化性能越好.但LOO实现起来较为费时.因此人们提出了LOO错误率的各种上界作为近似,最有代表性的是Joachims上界和Jaakkola-Haussler上界.基于LOO上界的SVM泛化性能评价方法不但较为准确,而且耗时大大减小.本文首先证明了在径向基函数(RadialBasisFunction,RBF)为核函数的SVM中,Joachims上界和Jaakkola-Haussler上界是等价的;其次对Joachims上界进行理论分析,指出了其不足之处,并予以改进,得到了改进的Joachims上界;最后通过实验对LOO错误率、Jaakkola-Haussler上界、Joachims上界和改进的Joachims上界进行了比较,结果显示改进的Joachims上界比Jaakkola-Haussler上界和Joachims上界更加接近LOO错误率,是一种更加准确的SVM泛化性能评价方法.