SVM分類器的擴展及其應用研究.pdf

1、支持向量機是數(shù)據(jù)挖掘中的一項新技術，是一個理論完備、適應性強、全局優(yōu)化、泛化性能好的分類器。在若干挑戰(zhàn)性的應用中，獲得了目前為止最好的性能。本文的主要內容是在研究經(jīng)典SVM算法的基礎上，以解決實際問題，拓廣SVM的適用范圍為出發(fā)點，研究SVM分類方法及其分類應用。 從支持向量依附的理論背景出發(fā)，學習目前SVM訓練算法的研究成果，分析它在數(shù)據(jù)挖掘中(尤其是分類算法上)的應用，并總結了支持向量機在數(shù)據(jù)挖掘領域中實現(xiàn)的方向。針對其在應

2、用中的一些局限性，揭示SVM的分類機理，提出了兩種提高SVM分類性能的方法，并結合垃圾郵件過濾的應用，證實了這兩種方法對分類器的性能有不同程度的提高。 1.利用未標記數(shù)據(jù)提高分類器性能的研究提出了一個解決訓練樣本不足的方法，該方法自動從未標記數(shù)據(jù)中挑選樣本進行標記，加入SVM訓練集，并通過設置閾值在一定程度上保證所選樣本的高分辨性。 2.基于集成學習思想提高分類器性能的研究提出一種基于集成學習的KSU分類方法，對于支持向

3、量機不能很好判定的樣本，采用最近鄰方法判斷，該最近鄰算法采用支持向量集作為最近鄰居集，可以提高分類準確率。 將設計的分類模型引入垃圾郵件的過濾應用，分析了垃圾郵件產(chǎn)生的過程，對垃圾郵件過濾的常用方法進行了總結，詳細闡述了基于內容的垃圾郵件過濾技術過程。實驗表明，與直接用分類面決策的經(jīng)典SVM相比，該模型在適用的樣本規(guī)模上表現(xiàn)出了一定的優(yōu)越性；可以在提高分類準確率的同時，降低SVM對核函數(shù)及其參數(shù)選擇的依賴。模型雖然增加了一定的時