支持向量機在人體健康狀態(tài)預測中的研究與應用.pdf

1、機器學習是人工智能的核心內(nèi)容之一，機器學習利用訓練數(shù)據(jù)發(fā)現(xiàn)隱含模式或者機制，機器學習應用在分類問題上可以利用發(fā)現(xiàn)的模式或者機制對未知數(shù)據(jù)進行分類。隨著人工智能領域的發(fā)展，機器學習方法已經(jīng)被廣泛的應用到各領域的預測建模中，形成了系統(tǒng)的分析方法和眾多的學習機模型。支持向量機(SVM)模型由于其具有非常好的模型稀疏性和堅實的理論基礎，使其在各個領域中的應用得到了人們的廣泛認可。
　　SVM學習的關鍵在于距離度量模型的選擇，該模型決定了樣

2、本數(shù)據(jù)映射到的高維特征空間。在實際問題中核函數(shù)作為度量模型（例如高斯核函數(shù)等）在SVM中度量兩個實例之間的距離。但是，在選定高斯核函數(shù)作為度量方法來進行SVM學習后，確定核函數(shù)的參數(shù)σ（高斯徑向基函數(shù)的寬度）將成為一個關鍵問題，σ對分類器的性能影響很大。確定高斯核參數(shù)σ比較典型的方法有梯度下降法與交叉驗證法等。一個共性的問題是這些優(yōu)化方法的計算量復雜度較高，當樣本達到一定規(guī)模時無法應用。
　　梯度下降法與交叉驗證法等都是關注于分析

3、核函數(shù)與訓練誤差之間的數(shù)學關系，這些方法將訓練誤差最小化作為參數(shù)選擇的優(yōu)化指標。在本文中我們將提出一種新穎的方法，即從核函數(shù)的性質(zhì)出發(fā)來選擇適當?shù)膬?yōu)化指標，用來指導核函數(shù)參數(shù)的確定。核函數(shù)的性質(zhì)是把低維空間的線性不可分數(shù)據(jù)映射到高維空間中，使之在高維空間上線性可分。核函數(shù)隱式的定義了一種非線性映射函數(shù)φ(x），我們希望樣本通過φ(x）映射到高維特征空間中能夠具有更好的可分性。這種可分性表現(xiàn)為同一類別的樣本實例之間的相似度較高，不同類別的

4、樣本實例之間的相似度較低。我們從幾何距離上來衡量樣本實例間的相似度:我們希望同一類別的樣本實例之間的幾何距離盡可能小，不同類別的樣本實例之間的幾何距離盡可能大。根據(jù)這一原則，我們定義了目標函數(shù)，從而把參數(shù)σ的選擇問題轉(zhuǎn)化為目標函數(shù)的優(yōu)化問題。我們利用高斯函數(shù)的麥克勞林展開式使得目標函數(shù)轉(zhuǎn)化為二次函數(shù)，從而簡單地實現(xiàn)了對σ的求解。
　　實驗仿真結(jié)果表明:在分類正確率上，本文提出的方法和交叉驗證法相差不大;在訓練時間上，本文的方法要比

5、交叉驗證法小很多。在保證分類正確率的基礎上，本文的方法可以有效地降低高斯核SVM在參數(shù)選擇上的時耗，而且本文的方法只需要常數(shù)級的空間開銷。
　　基于本文提出的參數(shù)選擇和高斯核SVM的分類方法，我們根據(jù)人體經(jīng)絡值對人體健康狀態(tài)進行預測建模。最終模型的AUC(the area under the curve)值達到了0.9416。綜合實驗結(jié)果，預測模型展示了較好的預測效果，可以根據(jù)人體經(jīng)絡能量值來對人體健康狀態(tài)進行預測。限于人體生理經(jīng)