最小二乘支持向量機訓練樣本是什么意思
最小二乘支持向量機訓練樣本是測試最小二乘支持向量機 的數據集。
支持向量機(Support Vector Machine,SVM)是由Vapnik等人于20世紀90年代提出來的一種基于統計學習理論的新型學習機器模型，具有很強的模型泛化能力和極強的非線性處理能力，近年來受到了很多學者的關注，并被廣泛的應用到了很多領域，如模式識別，圖像檢索和蛋白質數據分析等。
支持向量機是一種基于核的學習方法，它將輸入空間中無法處理的非線性樣本，通過核函數將其映射到特征空間中，使其獲得有利于問題解決的線性性能。最小二乘支持向量機是支持向量機的一種變形，同支持向量機一樣，也是一種基于核的學習方法。核函數是最小二乘支持向量機的主要元素，它將直接影響到最小二乘支持向量機的性能，而核參數又是核函數的主要元素，因此對其核參數的選擇對于提高模型的學習和泛化能力起到了至關重要的作用。如果只是具備了高性能的核函數而缺乏適當的正則化參數，也將影響最小二乘支持向量機的性能，所以對核參數和正則化參數的選擇很重要。
機器學習模型的泛化能力不足，有什么改進思路
如果把模式識別類問題看作函數擬合 機器學習就相當于輸入正反實例輸出期望結論值的一個函數逼近 不同的機器學習方法相當于一個函數結構，多數傳統模式識別方法都是簡單結構的，這就造成如果問題的復雜度較高就會超出方法可達到的最好程度 最基本。
