基于支持向量機的特征選擇及其集成方法的研究.pdf

1、隨著計算機與網(wǎng)絡(luò)技術(shù)的快速發(fā)展,大數(shù)據(jù)集的出現(xiàn)致使人們獲取的信息量正在以前所未有的速度日益劇增,也導(dǎo)致大量不相關(guān)或冗余數(shù)據(jù)的不斷涌現(xiàn)。因此,如何快速獲取所需有用信息方面的應(yīng)用研究,也日益倍受人們關(guān)注。
　　 目前,特征選擇作為應(yīng)用于數(shù)據(jù)挖掘中消除數(shù)據(jù)噪聲的一種技術(shù),也作為根據(jù)某一準則從原有的特征中選擇出最優(yōu)的特征組合實現(xiàn)對數(shù)據(jù)進行預(yù)處理的一種常用手段,已成為模式識別領(lǐng)域研究的一個熱點。
　　 本文運用以具有良好泛化能力的

2、支持向量機的特征選擇和集成分類器新技術(shù),在支持向量機分類的基礎(chǔ)上,以特征選擇和基于特征選擇的集成學(xué)習(xí)方法為主要研究內(nèi)容,以影響支持向量機性能的主要因素為研究對象,對正則化參數(shù)C和核函數(shù)參數(shù)的選擇進行了較深入的研究,并通過對多個成員分類器結(jié)果的集成,以進一步提高對數(shù)據(jù)挖掘的學(xué)習(xí)泛化能力。研究成果主要體現(xiàn)在以下兩方面:
　　 (1)設(shè)計了RGS算法。該算法首先利用ReliefF方法對樣本集特征進行排序,然后,利用遺傳算法優(yōu)化特征子集