不均衡支持向量機參數(shù)選取的兩種優(yōu)化方法.pdf

1、支持向量機是建立在統(tǒng)計學習理論和數(shù)學規(guī)劃基礎之上的一種數(shù)據(jù)挖掘的新方法。數(shù)學規(guī)劃是運籌學的一個重要分支，在機器學習、網(wǎng)絡問題、工程機械學等領域有著廣泛應用。它和數(shù)據(jù)挖掘技術的結合已使大規(guī)模和高復雜性的問題的解決成為可能，并在特征提取、聚類和回歸等方面有很重要的應用。支持向量機是數(shù)學規(guī)劃在數(shù)據(jù)挖掘領域的一個重要應用，是由Vapnik等人根據(jù)統(tǒng)計理論提出的一種新的機器學習方法。 本文主要研究了不均衡支持向量機中參數(shù)的優(yōu)化選取問題。支

2、持向量機在各行各業(yè)中的應用已經取得了良好的效果；支持向量機的參數(shù)選取是支持向量機研究中的一類重要問題，參數(shù)選取的不同，對支持向量機的泛化性能影響很大；不均衡支持向量機的參數(shù)優(yōu)化選取的研究較少，本文針對不均衡問題，建立了參數(shù)選取的模型，設計了算法，并進行了數(shù)值實驗。 文中給出了不均衡支持向量機的兩個參數(shù)選取模型。首先針對不均衡問題的數(shù)據(jù)上特殊性，摒棄傳統(tǒng)的性能評價指標，給出了一個適合不均衡問題的F-指標。通過最小化F一指標來建立優(yōu)