聚類分析和支持向量機相結合的混合預測模型.pdf

1、支持向量機(Support Vector Machines，簡稱SVMs)是建立在統(tǒng)計學習理論的VC(Vapnik-Chervonenkis)維理論和結構風險最小化原理基礎上的一種機器學習方法。支持向量機在解決實際應用中的小樣本問題時具有較大的優(yōu)勢，較好地解決了以往困擾很多學習方法的小樣本、非線性、過學習、高維數(shù)、局部極小點等實際問題。如果僅從分類的角度來說，支持向量機是一種廣義的線性分類器，它是在線性分類器的基礎上，引入結構風險最小化

2、原理、最優(yōu)化理論和核函數(shù)方法深化而成的。當前基于支持向量機的模型得到了越來越多的重視和應用。但由于支持向量機最初是針對二分類問題提出的，因此如何將其推廣到多類分類問題上就是一個很值得深入研究的問題。
　　 聚類分析方法是一種被廣泛應用的且很有效的分類方法，它是利用多元統(tǒng)計分析的基本原理，對一批樣本進行分類處理的數(shù)學方法。其基本思路是將一批樣本或變量，按照它們在性質上的親疏程度進行分類，把樣本看成是，，l維空間的一個點。在m維坐標

3、中，定義點與點之間的某種距離，通過距離的遠近把樣本分成若干類別。
　　 因此，本文放棄了以往的只采用聚類分析或支持向量機來分類的方法，在分別介紹了聚類分析和支持向量機分類算法的基礎上，采用了聚類分析和支持向量機相結合的方法來解決多類分類問題，并采用這種方法對上市公司的股票進行分類。由于股票數(shù)據(jù)本身的復雜性，在進行分類之前先采用因子分析的方法對股票數(shù)據(jù)進行降維簡化，從而減少分類時的計算量和程序運行時間。實驗證明，這種分類算法有很高