direct estimation of spinal cobb angles by structured multi-output regression
基於結構化多輸出回歸的脊椎科布角度的直接估計
haoliang sun1;2, xiantong zhen2, chris bailey3, parham rasoulinejad3,
yilong yin1, and shuo li2
1 shandong university, jinan, china
2 the university of western ontario, london, on, canada
3 london health sciences center, on, canada
這篇文章是發表在ipmi2017上的，ipmi是醫學影象處理的第二號會議。
文章有如下三個貢獻：
1.直接估計
2.提出了結構化支援向量回歸（s2vr）,處理非線性的輸入-輸出關係和輸出間的關係
3.流形正則化項，保持輸出的平化解
4.kernel target alignment ,學習到判別性的kernel
**最終的目標函式
如何得到的不做贅述，請看**。
簡單解釋一下：
第一項：正則化項，防止過擬合
第二項：流形正則化項，保證平滑輸出，保持結構資訊
第三項：誤差項，**結果與label之間的差別
第四項：正則化項，21範數，特徵選擇作用，保證輸出有相似的結構
21範數效果示意圖
優化步驟比較複雜，建議看原文。
支援向量回歸
支援向量回歸和傳統的回歸模型的區別 就拿最簡單的線性回歸來講，通過模型輸出的f x 與真實輸出的y值之間的差別來計算損失。而svr假設模型輸出f x 與真實的y值之間可以容忍有eps大小的偏差，也就意味只要樣本的 值落在f x 兩側在y軸方向上絕對值只差小於eps的間隔帶上就是 正確的。我們去用乙個...
支援向量機（SVM） 支援向量回歸（SVR）
1 支援向量機 svm 是一種比較好的實現了結構風險最小化思想的方法。它的機器學習策略是結構風險最小化原則 為了最小化期望風險，應同時最小化經驗風險和置信範圍 支援向量機方法的基本思想 1 它是專門針對有限樣本情況的學習機器，實現的是結構風險最小化 在對給定的資料逼近的精度與逼近函式的複雜性之間尋求...
SVR支援向量回歸例子
svr軟體包的安裝 使用svr模型，得到輸入向量x x包含3個變數x1,x2,x3 到輸出向量y y只包含乙個變數 之間的對映關係，也就是計算y f x1,x2,x3 函式的f x1,x2,x3時簡單的加法運算 y x1 x2 x3 訓練個數 訓練需要的時間 秒 誤差 相關係數 100 0.0028...