支持向量機(jī)分類算法的研究.pdf

1、分類問(wèn)題是實(shí)際應(yīng)用中普遍存在的問(wèn)題，也是機(jī)器學(xué)習(xí)領(lǐng)域的基礎(chǔ)研究之一，快速發(fā)展的信息技術(shù)對(duì)其在理論研究和實(shí)際應(yīng)用中提出了許多新的難題和挑戰(zhàn)。支持向量機(jī)是建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的新型機(jī)器學(xué)習(xí)方法。它根據(jù)有限樣本信息在模型的復(fù)雜度和期望風(fēng)險(xiǎn)之間尋求最佳方式，從而獲得更好的泛化性能。與傳統(tǒng)的學(xué)習(xí)方法相比，支持向量機(jī)具有泛化能力強(qiáng)、維數(shù)不敏感、收斂到全局最優(yōu)等優(yōu)點(diǎn)，較好地解決了傳統(tǒng)算法容易出現(xiàn)的過(guò)學(xué)習(xí)、局部極值、維數(shù)災(zāi)難等棘手問(wèn)題，成為近幾年機(jī)

2、器學(xué)習(xí)領(lǐng)域中的一個(gè)非?；钴S的研究熱點(diǎn)。
　　 本文對(duì)基于支持向量機(jī)的分類算法進(jìn)行了深入的研究，完成的主要內(nèi)容如下:
　　 1.針對(duì)不平衡數(shù)據(jù)分類問(wèn)題，本文提出了一種基于Smote與核函數(shù)修改相結(jié)合的算法。首先在數(shù)據(jù)層面上利用Smote方法對(duì)數(shù)據(jù)進(jìn)行處理，降低原始數(shù)據(jù)的不平衡度。然后在算法層面上，對(duì)核函數(shù)進(jìn)行修改，擴(kuò)大少數(shù)類和最優(yōu)分類超平面的間隔，有效的提高了分類器的泛化性能和少數(shù)類的準(zhǔn)確率，較好的解決了不平衡數(shù)據(jù)分類問(wèn)題

3、。
　　 2.研究了基于二叉樹(shù)支持向量機(jī)的多分類問(wèn)題，針對(duì)傳統(tǒng)二叉樹(shù)算法中點(diǎn)和葉劃分盲目，誤差累計(jì)等缺點(diǎn)，提出了一種新的二叉樹(shù)SVM多分類算法。該算法合理利用了子分類器的分類信息，大大減少了子分類器的數(shù)目，經(jīng)仿真分析，無(wú)論是在時(shí)間還是正確率方面都達(dá)到了令人滿意的效果。
　　 3.對(duì)核函數(shù)進(jìn)行研究，重點(diǎn)討論了核函數(shù)SVM的基本特性、構(gòu)造問(wèn)題。在此基礎(chǔ)上，提出了一種基于混合核函數(shù)的分類方法，用以處理不平衡數(shù)據(jù)，取得了良好的效