基于类内离散度的最小二乘支持向量机
来源：计算机技术与发展杂志2015年第04期北京时间：
作者：薛松;李雷
摘要：支持向量机是一种很流行的机器学习方法，在许多领域都有了广泛的使用。传统的支持向量机模型是寻求类之间的间隔最大化，而忽视了一个重要的信息—样本的类内结构，类内离散度。文中将Fisher判别分析里面的类内离散度引入到最小二乘支持向量机中，提出了基于类内离散度的最小二乘支持向量机模型。并通过核函数将样本映射到高维特征空间，在特征空间中进行样本分类。基于UCI数据库的数据集实验测试表明，基于类内离散度的最小二乘支持向量机提高了分类的准确度。
关键词：类内离散度;分类;最小二乘支持向量机;核方法
