基于支持向量機(jī)的數(shù)據(jù)挖掘技術(shù)研究.pdf

1、數(shù)據(jù)挖掘作為一種融合了人工智能、數(shù)據(jù)庫(kù)和數(shù)理統(tǒng)計(jì)等學(xué)科特點(diǎn)的新興技術(shù),與機(jī)器學(xué)習(xí)和統(tǒng)計(jì)學(xué)習(xí)密切相關(guān).它是從大量、復(fù)雜的數(shù)據(jù)中迅速獲取新穎、有效的知識(shí)的過(guò)程.分類(lèi)即通過(guò)由經(jīng)驗(yàn)數(shù)據(jù)訓(xùn)練得到的分類(lèi)器預(yù)測(cè)未知數(shù)據(jù)的歸屬,是模式識(shí)別、機(jī)器學(xué)習(xí)、統(tǒng)計(jì)分析等領(lǐng)域的一個(gè)基本問(wèn)題,也是一種最常見(jiàn)的數(shù)據(jù)挖掘任務(wù).支持向量機(jī)作為一種新興的統(tǒng)計(jì)學(xué)習(xí)算法,以其優(yōu)秀的理論基礎(chǔ)(結(jié)構(gòu)最小化理論、核空間理論)脫穎而出.它是在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來(lái)的一種通用學(xué)習(xí)機(jī)器

2、,其關(guān)鍵的思想是利用核函數(shù)把一個(gè)復(fù)雜的分類(lèi)任務(wù)通過(guò)核函數(shù)映射使之轉(zhuǎn)化成一個(gè)在高維特征空間中構(gòu)造線性分類(lèi)超平面的問(wèn)題.作為結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則的具體實(shí)現(xiàn),支持向量機(jī)方法具有全局最優(yōu)、結(jié)構(gòu)簡(jiǎn)單、推廣能力強(qiáng)等優(yōu)點(diǎn).本文首先討論了數(shù)據(jù)挖掘的基本概念,關(guān)鍵技術(shù),挖掘任務(wù),挖掘方法,基本過(guò)程以及發(fā)展?fàn)顩r.然后在研究了支持向量機(jī)的理論基礎(chǔ)及基本概念和要解決的關(guān)鍵技術(shù)問(wèn)題之后,又對(duì)當(dāng)前各種比較通用的支持向量機(jī)訓(xùn)練算法進(jìn)行了研究,比較了各種算法的優(yōu)劣,尤其

3、深入研究了Platt等人的SMO(Sequential Minimal Optimization)算法,指出這種SMO算法低效的主要原因是采用了單一的閾值參數(shù),然后參考Keerthi等人的思想,提出了一種使用兩個(gè)閾值參數(shù)的改進(jìn)的SMO算法,在冠心病數(shù)據(jù)集和肺惡性腫瘤數(shù)據(jù)集上的試驗(yàn)結(jié)果表明,這種改進(jìn)的SMO算法在訓(xùn)練速度及分類(lèi)準(zhǔn)確性上都有一定的提高.最后本文應(yīng)用徑向基核函數(shù)(RBF),給出一種以支持向量機(jī)為核心的數(shù)據(jù)挖掘方案,設(shè)計(jì)完成了醫(yī)