基于SVM的數(shù)據(jù)挖掘技術研究.pdf

1、隨著世界信息技術的迅猛發(fā)展，信息量也呈幾何指數(shù)增長，如何從巨量、復雜的數(shù)據(jù)中獲取有用的信息，使數(shù)據(jù)挖掘技術成為了近年來信息技術研究領域的熱點問題。數(shù)據(jù)挖掘是一種包含了數(shù)據(jù)庫、人工智能和數(shù)理統(tǒng)計等多種學科特點的新興技術，包含的內(nèi)容很多，其中分類挖掘是最重要也是最常見的數(shù)據(jù)挖掘任務。支持向量機是基于統(tǒng)計學習理論基礎上發(fā)展起來的一種通用學習機器，目前正以其優(yōu)秀的理論基礎(VC維、結構最小化理論和核空間理論)成為了數(shù)據(jù)挖掘中分類挖掘的研究熱點。

2、他的主要思想就是在高維特征空間中利用核函數(shù)把復雜的分類任務映射成一個線性分類超平面的問題。支持向量機具有結構簡單、全局最優(yōu)、推廣能力強等優(yōu)點。本文先對數(shù)據(jù)挖掘的基本概念、常用技術等進行了介紹，然后對支持向量機的理論基礎、基本概念和基本算法，及目前支持向量機的現(xiàn)有各種改進算法進行了研究和分析。由于在實際應用中，數(shù)據(jù)挖掘處理的往往是大量的數(shù)據(jù)或者是增量的數(shù)據(jù)，因此，本文重點對支持向量機的快速學習和解決大規(guī)模數(shù)據(jù)問題時采用的增量學習策略進行了

3、研究，針對一般SVM增量學習算法訓練速度還有提高空間、針對歷史數(shù)據(jù)處理過于粗糙而不能適應新增樣本集中數(shù)據(jù)分布不同情形導致分類精度受損、針對一般SVM增量學習算法優(yōu)化問題C－SVM懲罰分量C選擇的困難及難以適應新增樣本集數(shù)據(jù)分布可能不同的狀況，本文提出了一種改進的基于兩凸包邊界向量預選取的自調(diào)整參數(shù)Bv－SVM增量學習方法。通過在UCI數(shù)據(jù)庫上實驗表明，該方法在訓練時間上都明顯優(yōu)于標準C－SVM和一般支持向量機增量學習算法，在訓練精度上明