支持向量机变种及其他正则化核方法的渐近正态性
摘要：非参数分类和回归问题中，正则化核方法，特别是支持向量机，在理论和应用统计学中引起了很大关注。在抽象意义上，正则化核方法（简称SVM）可以被看作是（通常是无限维的）再生核希尔伯特空间中参数的正则化M估计。对于平滑的损失函数，证明了估计器即经验SVM与理论SVM之间的差异具有渐近正态分布，收敛速度为sqrt{n}。也就是说，标准化差异在再生核希尔伯特空间中弱收敛到一个高斯过程。与实际应用中一样，正则化参数的选择可能取决于数据。通过应用函数 δ-方法和证明SVM函数可适当哈达马可微，完成了证明。
作者：Robert Hable
论文ID：1010.0535
分类：Machine Learning
分类简称：stat.ML
提交时间：2011-04-13