基于支持向量機(jī)的多屬性大規(guī)模數(shù)據(jù)分類算法的研究.pdf_第1頁
已閱讀1頁,還剩60頁未讀 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、數(shù)據(jù)挖掘是從大量、復(fù)雜的數(shù)據(jù)中迅速獲取新穎、有效的知識(shí)的過程。分類即通過由經(jīng)驗(yàn)數(shù)據(jù)訓(xùn)練得到的分類器預(yù)測(cè)未知數(shù)據(jù)的歸屬,是一種最常見的數(shù)據(jù)挖掘任務(wù)。支持向量機(jī),由于其出色的學(xué)習(xí)性能,已成為機(jī)器學(xué)習(xí)界的研究熱點(diǎn),并在很多領(lǐng)域都取得了成功的應(yīng)用。但是作為一種新興的技術(shù),支持向量機(jī)在對(duì)數(shù)據(jù)挖掘領(lǐng)域的分類研究還有待探索和完善。
   本文在介紹支持向量機(jī)的基本理論及其訓(xùn)練算法的基礎(chǔ)上,重點(diǎn)討論了序貫最小最優(yōu)化(Sequential Min

2、imal Optimization,SMO)算法。SMO算法是訓(xùn)練大規(guī)模數(shù)據(jù)集的有效算法,但是仍存在著訓(xùn)練速度慢、占用空間大的缺點(diǎn)。本文提出了一種雙SMO算法。該算法在原數(shù)據(jù)集的抽樣數(shù)據(jù)集上使用SMO算法得到近似分類超平面,根據(jù)近似分類超平面得到原數(shù)據(jù)集的所有支持向量,再次使用SMO算法得到最終的分類超平面。雙SMO算法降低了占用空間,在一定程度上消除了噪音點(diǎn)對(duì)最終分類超平面的影響,加速了優(yōu)化的過程。
   由于數(shù)據(jù)挖掘中要處理

3、的往往是多屬性大規(guī)模的數(shù)據(jù)集,所以在使用雙SMO算法前,需要先進(jìn)行屬性約減處理,以降低計(jì)算量,提高算法速度,并使挖掘出的分類模式易于理解?;诖?,本文對(duì)數(shù)據(jù)挖掘中多屬性問題作了屬性約減的討論,提出了屬性約減的雙SMO算法。該算法適用于數(shù)據(jù)挖掘中的分類問題,為建立數(shù)據(jù)挖掘方案提供了理論依據(jù)。
   為驗(yàn)證雙SMO算法的有效性,本文使用該算法對(duì)二維的數(shù)據(jù)集進(jìn)行了試驗(yàn),并使用屬性約減的雙SMO算法建立了一個(gè)數(shù)據(jù)挖掘方案。結(jié)果表明該算法

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論