機械学習におけるガウスカーネルの基底半径の決め方

抄録

　機械学習におけるガウスカーネルの基底半径はサポートベクターマシン（Support Vector Machines; SVM)や、RBFネットワーク（Radial Basis Function; RBFN ）の汎化能力に大きな影響を与えることが知られている。 従来、このパラメータは交叉検定法のように実験を繰り返すという方法、または経験で決定さ れていた。しかし、交叉検定法は時間がかかり、実問題では実施が困難な場合も多い。 また、経験式（目安の式）で定める方法は理論的検証がなく、改善の余地もある。 これまでの目安の式はデータの密度を元に算出するもの であり、低次元においては良い汎化能力を示すことが知られている。しかし、高次元においては汎化能力が必ずしも高くならないという問題が存在する。データの密度に基づく目安の式では汎化能力の向上に対して限界があると考えられ、それを改善するためにSVMの汎化誤差の上限値から目安の式を導き出すことを試みる。