內容簡介
Vapnik(瓦普尼克)於20世紀末提出的支持向量機結構,通過將樣本從低微空間向高維空間的映射來實現樣本的線性劃分,從而可獲得預測的通用規則。該理論的通用性、魯棒性、計算高效性使機器學習理論研究取得飛速的發展。然而,實際工程的原始數據中可能隱含著一些非常規的信息,本書稱為特權信息。這些具有某種特殊意義的特權信息有的僅存在部分數據中,並且這些特權信息的收集往往十分困難。然而,醫學、生物、電子、信息等領域的工程數據中的某些特權信息卻具有十分重要的作用。本書提出基於特權信息的灰色支持向量機理論,在對原始數據不做任何修改的情況下,能夠很好地構造預測規則並能夠很好地解決含有特權信息的工程實際問題,是對標準支持向量機的拓展與補充。