支持向量機最優(yōu)參數(shù)選取及應用.pdf

1、隨著現(xiàn)代生物學的發(fā)展，尤其是人類基因組計劃完成以后，從分子層面上研究疾病問題也得到廣泛的認同；在高通量實驗技術快速發(fā)展的驅動下，獲得人類及其他模式生物的基因表達譜數(shù)據成為可能，如此大量的數(shù)據信息為我們重新認識細胞生物和疾病提供了寶貴的機會。
　　 但是，基因表達譜數(shù)據的突出特點：預測樣本的維數(shù)遠遠大于樣本個數(shù)，決定大多數(shù)傳統(tǒng)統(tǒng)計方法不能直接應用，或者得不到正確的預測結果。因此，我們面臨的挑戰(zhàn)就是設計新的統(tǒng)計模型來高效的分析、解釋

2、基因表達譜數(shù)據。
　　 統(tǒng)計學習理論是由Vapnik等人提出的一種小樣本統(tǒng)計理論，著重研究在小樣本情況下的統(tǒng)計規(guī)律和學習方法性質；統(tǒng)計學習理論為機器學習問題建立了一個較好的理論框架。支持向量機就是在此基礎上發(fā)展起來的一種學習算法，它采用結構風險最小化原理，能夠較好地解決小樣本學習問題。
　　 在應用支持向量機解決具體問題時，首先考慮核函數(shù)的選取及參數(shù)的選擇。雖然目前關于核函數(shù)的研究在理論和應用上取得了一定的成果，但尚未形