特征提取-特征后期融合-多核学习方法（MKL）

SVM：支持向量机，目前在分类中得到广泛的应用

特征融合：主要用来描述各种不同的特征融合方式，常见的方式有前期融合，就是前面所描述的将各个特征拼接在一起，后期融合本文后面会提到

核函数：SVM遇到线性不可分问题时，可以通过核函数将向量映射到高维空间，在高维空间线性可分

多核学习：在利用SVM进行训练时，会涉及核函数的选择问题，譬如线性核，rbf核等等，多核即为融合几种不同的核来训练。该方法属于后期融合的一种，通过对不同的特征采取不同的核，对不同的参数组成多个核，然后训练每个核的权重，选出最佳核函数组合来进行分类。

给定一些base kernels,比如linear,Polynomial,RBF,Sigmoid，对于每一个，可以指定多组参数，也就是一共有M个base
kernels，我们想用它们的线性组合来作为最终的核函数。通过training，得到这个线性组合中每个kernel的权重d（weight）。最经典的是simpleMKL,GMKL，G即Generalized，最优化方法用的是PGD（Projected
Gradient Descend）。为了改进收敛效果，Vishwanathan又提出SPG-GMKL(Spectral Projected
Gradient)，同时提出了多核的product组合。SPG-GMKL也被后来者视作state-of-art。 

MKL的经典实现有SimpleMKL，Shogun，SPG-GMKL，SMO-MKL.

• « 上一篇：css伪元素选择器before 和 after 的使用
• » 下一篇：python面试--redis 高并发处理方式