本文主要是介绍多示例论文泛读--2018-1-MIRSVM_ Multi-instance support vector machine with bag representatives，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
题目
MIRSVM: Multi-instance support vector machine with bag representatives
包代表的多实例支持向量机
符号系统
| 符号 | 含义 |
|---|---|
| n n n | 包的个数 |
| m m m | 示例的个数 |
| d d d | 示例的属性个数 |
| B = { B 1 , … , B n } \mathcal{B}=\left\{\mathcal{B}_{1}, \ldots, \mathcal{B}_{n}\right\} B={B1,…,Bn} | 包的集合 |
| Y ∈ { − 1 , 1 } n \mathbf{Y} \in\{-1,1\}^{n} Y∈{−1,1}n | 包的标签 |
| I ∈ Z + n I \in \mathbb{Z}_{+}^{n} I∈Z+n | 包的索引的集合 |
| D = { ( B 1 , Y 1 ) , … , ( B n , Y n ) } \mathcal{D}=\left\{\left(\mathcal{B}_{1}, Y_{1}\right), \ldots,\left(\mathcal{B}_{n}, Y_{n}\right)\right\} D={(B1,Y1),…,(Bn,Yn)} | 多示例训练集 |
| x i = ( x 1 , … , x d ) , i ∈ I \boldsymbol{x}_{i}=\left(x_{1}, \ldots, x_{d}\right), i \in I xi=(x1,…,xd),i∈I | 包 I I I中的示例 x i \boldsymbol{x}_{i} xi |
Bib
bib书写规范之SMALE实验室版
@article{melki:2018:228241,
author = {Gabriella Melki and Alberto Cano and Sebasti Ventura},
title = {{Elsevier} Multi-instance Support Vector Machine with Bag Representatives},
journal = {Pattern Recognition},
volume = {79},
year = {2018},
pages = {228--241},
publisher = {Elsevier}
}
相关概念
SVM：即支持向量机，一种二分类模型，将实例映射为空间中的点，SVM 的目的就是想要画出一条线，以 “最好地” 区分这两类点，以至如果以后有了新的点，这条线也能做出很好的分类。
支持向量：
我们把划分数据的决策边界就叫做超平面。离这个超平面最近的点就是”支持向量”,点到超平面的距离叫做间隔，支持向量机的意思就是使超平面和支持向量之间的间隔尽可能的大，这样才可以使两类样本准确地分开
算法思路
两张图均包含六个包，一个虚线的圈圈表示一个包，红色的虚线圈表示负包，蓝色的虚线圈表示正包。大虚线圈里的小圈圈表示一个个示例，一共有125个示例，65个属于正包，60个属于负包。
黑色实线表示决策边界，红色虚线和蓝色虚线表示SVM边界（不知道这样说对不对），黑色叉线表示支持向量。
这两种方法产生的支持向量的数量不同。
MIRSVM有6个，每个包一个，MISVM有29个。
MIRSVM的决策边界更平滑，MISVM的决策边界受到更多支持向量的影响，这些支持向量属于负类，而只有两个正支持向量。
（但是我不懂，为什么MISVM的支持向量有些不在红蓝虚线上 ，）
这篇关于多示例论文泛读--2018-1-MIRSVM_ Multi-instance support vector machine with bag representatives的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
