基于聚類和支持向量機的數(shù)據(jù)挖掘方法研究.pdf

1、數(shù)據(jù)挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機的數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程，被信息產(chǎn)業(yè)界認為是數(shù)據(jù)庫系統(tǒng)最重要的前沿之一，是信息產(chǎn)業(yè)最有前途的交叉學科。
　　 支持向量機在解決小樣本、非線性以及高維模式識別問題中表現(xiàn)出許多特有的優(yōu)勢，然而，數(shù)據(jù)挖掘經(jīng)常面對的卻是海量的數(shù)據(jù)。為了解決樣本點過多導致訓練速度太慢的問題，本文做了如下創(chuàng)新性工作：
　　 (1)從減小訓練集

2、規(guī)模的角度出發(fā)，使用聚類技術(shù)來保持整個數(shù)據(jù)的分布特性，同時大幅減小訓練數(shù)據(jù)集規(guī)模；
　　 (2)對聚類結(jié)果進行邊緣提取，保留分類邊界附近的支持向量；
　　 (3)使用邊緣提取和聚類算法選擇的樣本點重構(gòu)訓練數(shù)據(jù)集，對新的數(shù)據(jù)集使用支持向量機方法進行分類。由于重建的訓練數(shù)據(jù)集規(guī)模較小，所以訓練程序就快了很多，同時也保證了分類的精確度。
　　 文章共提出了兩個新的算法：
　　 (1)自適應(yīng)約束模糊C均值聚類算法

3、(ACFCM)，它有效的克服了經(jīng)典的C均值算法存在的需要預(yù)先知道初始聚類數(shù)目以及對初始聚類中心過分依賴的問題；
　　 (2)基于聚類技術(shù)的快速支持向量機算法(FSVM)，它在保證了分類精度的情況下，大大縮減了訓練數(shù)據(jù)的規(guī)模，從而減少了訓練時間，這就確保了支持向量機在數(shù)據(jù)挖掘這種大數(shù)據(jù)集情況下的有效應(yīng)用。
　　 文章對新的算法進行了仿真，通過和傳統(tǒng)支持向量機算法進行對比，證實了快速支持向量機算法在保證了分類精度的情況下，大