基于粗糙集理論的SVM多分類機(jī)及其在崗職分級中的應(yīng)用.pdf

1、本論文在深入探討了薪酬數(shù)據(jù)的特點以及人們對崗職分級的研究結(jié)果后,嘗試通過機(jī)器學(xué)習(xí)的方法降低分級過程中出現(xiàn)的過多人為干擾因素,以更加科學(xué)有效的方法實現(xiàn)崗職分級的公平性和有效性(合理性)。 目前,基于數(shù)據(jù)的機(jī)器學(xué)習(xí)方法,其理論基礎(chǔ)之一是統(tǒng)計學(xué)。傳統(tǒng)統(tǒng)計學(xué)研究的是樣本數(shù)目趨于無窮大時的漸近理論,但在實際中樣本數(shù)往往是有限的。支持向量機(jī)SVM(Support Vector Machine)結(jié)構(gòu)簡單,具有全局最優(yōu)性和較好的泛化能力,但處理

2、如大數(shù)據(jù)量的模式分類,當(dāng)樣本數(shù)據(jù)的特征屬性過多以及樣本數(shù)據(jù)沖突時,會增加計算量,降低SVM的訓(xùn)練速度及分類精度。而粗糙集RS(RoughSets)理論在知識約簡,處理不準(zhǔn)確、不完整知識等方面則具有巨大的優(yōu)勢和潛力。為此,針對目前市場上薪酬數(shù)據(jù)的自身特點和崗職分級的基本需求,本文提出了基于粗糙集理論的SVM多分類器,即利用RS理論減少SVM數(shù)據(jù)維數(shù)和訓(xùn)練樣本數(shù)據(jù)的數(shù)目,摒除干擾因素,彌補SVM在處理具有多特征屬性問題中的不足。 我