不均衡數(shù)據(jù)集的支持向量機(jī)模型研究.pdf

1、近年來(lái)支持向量機(jī)理論取得了長(zhǎng)足的發(fā)展,并廣泛應(yīng)用到模式識(shí)別、回歸分析、信號(hào)處理、函數(shù)估計(jì)等諸多領(lǐng)域,但仍有待進(jìn)一步的研究和改善。 傳統(tǒng)的支持向量機(jī)當(dāng)處理重要性或樣本數(shù)量不均衡的訓(xùn)練集時(shí)其性能,分類精度將會(huì)顯著下降；訓(xùn)練支持向量機(jī)可以歸結(jié)為求解一個(gè)二次規(guī)劃問(wèn)題,而求解二次規(guī)劃的算法的計(jì)算復(fù)雜度和空間復(fù)雜度是隨著樣本數(shù)量的增加顯著增加,一些經(jīng)典的求解二次規(guī)劃的方法對(duì)于學(xué)習(xí)大規(guī)模的訓(xùn)練樣本往往會(huì)失效。針對(duì)這些問(wèn)題,在二分類方面,本文做

2、了三方面的研究工作。第一,支持向量機(jī)參數(shù)的選擇是決定其性能的關(guān)鍵,本文從懲罰參數(shù)、核參數(shù)的作用和最優(yōu)性條件給出了支持向量機(jī)參數(shù)選擇的定性分析；第二,本文給出了兩種分類懲罰的支持向量機(jī)模型,使之能更好的處理不均衡的樣本集；第三,本文提出采用有效集法,針對(duì)所要求解二次規(guī)劃的特點(diǎn),提出了一種基于有效集法的動(dòng)態(tài)存儲(chǔ)的支持向量機(jī)算法。該算法很大程度上降低了對(duì)計(jì)算機(jī)內(nèi)存的需求；提高了求解速度,并保證了分類精度,進(jìn)一步加快了學(xué)習(xí)的速度。并且用數(shù)值實(shí)驗(yàn)