题目:A New Sufficient & Necessary Condition for Testing Linear Separability Between Two Sets
一种测试两集合之间新的线性可分性的充要条件
作者:S. Zhong; H. Lyu; X. Lu; B. Wang; D. Wang
摘要
作为机器学习领域的基本数学问题,线性可分性测试仍然缺乏理论上完整且计算效率高的方法。本文提出并证明了一种基于球模型的线性可分性测试的充要条件。该测试方法有两个优势:(1) 它不仅提供线性可分性的定性测试,还提供线性可分实例的定量分析;(2) 它具有低时间成本,比现有的测试方法更高效。通过对基准数据集和人工数据集的大量实验验证了所提方法的正确性和效率。
关键词
- 计算几何
- 凸分析
- 线性可分性
- 球模型
I. 引言
分类是机器学习领域的基本问题之一。分类学习研究主要有两个层次:一是学习对象的研究;二是学习行为的研究。前者旨在探索学习对象的分布及其对学习行为的影响,而后者则侧重于探索模型选择、模型结构构建和学习机制设计等方面。目前,分类问题的研究主要集中在学习行为层面,特别是学习机制,如感知机、BP、SVM、深度学习等。然而,在学习对象层面的研究相对较少。这在应用领域中尤为明显,缺乏有效的理论指导和技术手段来解决模型选择、模型结构设计和模型参数选择等问题