[1] 塞巴斯蒂安·拉施卡. Python机器学习[M]. 北京:机械工业出版社, 2017:55-56.
[2] 宋晖,薛云,张良均. 基于SVM分类问题的核函数选择仿真研究[J]. 计算机与现代化, 2011(8):133-136.
[3] 肖永良,朱韶平,刘文彬,等. 基于优化支持向量机的高校教师绩效评价研究[J]. 赤峰学院学报(自然科学版), 2014(24):25-27.
[4] 尚丹. 基于参数优化的SVM分类器在肺癌早期诊断中的应用[D]. 郑州:郑州大学, 2014.
[5] 崔君荣,苑薇薇. 利用智能算法优化支持向量机参数[J]. 河北科技师范学院学报, 2017,31(1):34-38.
[6] 徐晓明. SVM参数寻优及其在分类中的应用[D]. 大连:大连海事大学, 2014.
[7] Hastie T, Tibshirani R, Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction[M]. 2nd ed. Springer New York, 2009:463-468.
[8] 曾勇. 广义近邻模式分类研究[D]. 上海:上海交通大学, 2009.
[9] Boyd S, Vandenberghe L. 凸优化[M]. 王书宁,许鋆,黄晓霖译. 北京:清华大学出版社, 2013:42-46.
[10]周志华. 机器学习[M]. 北京:清华大学出版社, 2016:123-124.
[11]奉国和. SVM分类核函数及参数选择比较[J]. 计算机工程与应用, 2011,47(3):123-124.
[12]梁礼明,钟震,陈召阳. 支持向量机核函数选择研究与仿真[J]. 计算机工程与科学, 2015,37(6):1135-1141.
[13]陈辉林,夏道勋. 基于CART决策树数据挖掘算法的应用研究[J]. 煤炭技术, 2011,30(10):164-166.
[14]齐乐,岳彩荣. 基于CART决策树方法的遥感影像分类[J]. 林业调查规划, 2011,36(2):62-66.
[15]张亮,宁芊. CART决策树的两种改进及应用[J]. 计算机工程与设计, 2015(5):1209-1213.
[16]冯新刚. 支持向量机核函数选择方法探讨[D]. 赣州:江西理工大学, 2012.
[17]魏峻. 一种有效的支持向量机参数优化算法[J]. 计算机技术与发展, 2015,25(12):97-100 |