软间隔模糊粗糙支持向量机

分析了硬间隔模糊粗糙支持向量机(frsvms)的优点与不足。frsvms通过修改硬间隔支持向量机(svms)的约束条件提高了泛化能力;frsvms虽然将训练样例的条件属性与决策属性之间的不一致性考虑在内，但是在寻找最优超平面时仍然要求将训练集完全正确地分开，因此对噪音具有敏感性。针对frsvms的这个缺点，提出了软间隔模糊粗糙支持向量机(c-frsvms)。它使用高斯核函数作为模糊相似关系，将数据集中样例的条件属性与决策标签之间的不一致程度考虑在内;在训练寻找最优超平面的过程中允许存在错分点，并对原始最优化问题中训练样例的错分程度进行惩罚;既考虑了间隔最大，又考虑了训练误差最小，从而降低了对噪音的敏感性。实验表明:针对一些数据集，无论其是否存在异常点，c-frsvms在测试精度上都可以同时优于硬间隔svms、软间隔支持向量机(c-svms)和frsvms，从而进一步提高了frsvms的泛化能力。