关于支撑向量回归机的模型选择问题

模型选择是任何机器学习所必须面对的基本而重要问题，它涉及对一个学习机器结构的确定，从本质上反映学习机器逼近与泛化性能的平衡策略。对于支撑向量分类机（SVC），模型选择已得到广泛研究，但对于支撑向量回归机（SVR），国内外研究甚少。本项目旨在系统研究SVR学习机器的模型选择理论与方法。将提出基于统计学习理论框架（即保持与SVR学习同一框架）下的SVR模型选择原理与方法；发展基于变分/正则化框架下的SVR模型选择原理与方法；提出基于视觉模拟尺度框架下的SVR核参数选择原理与方法。所获结果将不仅奠定SVR模型选择的理论基础，而且能提供一批高效、实用的SVR模型选择方法。特别地，所获结果可用于解决三层前向神经网络的拓扑选择问题。