基于支持向量機(jī)的數(shù)據(jù)挖掘應(yīng)用研究.pdf

1、數(shù)據(jù)挖掘是從大量、復(fù)雜的數(shù)據(jù)中迅速獲取新穎、有效的知識(shí)的過程。支持向量機(jī)(supportvectormachine,SVM)是數(shù)據(jù)挖掘中的一項(xiàng)新技術(shù)，是借助于最優(yōu)化方法解決機(jī)器學(xué)習(xí)問題的新工具。它是在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來的一種通用學(xué)習(xí)機(jī)器，具有全局最優(yōu)、結(jié)構(gòu)簡(jiǎn)單和推廣能力強(qiáng)等優(yōu)點(diǎn)。 傳統(tǒng)的支持向量機(jī)是一種有監(jiān)督的機(jī)器學(xué)習(xí)算法，即要求訓(xùn)練樣本的類別信息是已知的。但在將SVM應(yīng)用到實(shí)際問題中時(shí)，經(jīng)常只能獲得少量的有標(biāo)簽樣本，而

2、大量的樣本是沒有標(biāo)簽的，這時(shí)傳統(tǒng)的SVM算法在這類問題面前就無能為力了。為了解決這一問題，T.Joachims提出了直推式學(xué)習(xí)的方法TSVM(TransductiveSupportVectorMachine)。陳毅松等人對(duì)TSVM作了改進(jìn)，提出了漸進(jìn)直推式支持向量機(jī)PTSVM(ProgressiveTransductiveSupportVectorMachine)。本文對(duì)PTSVM作了進(jìn)一步的改進(jìn)，提出了基于離散度量的支持向量機(jī)SDSV

3、M(SeparationDegreeSupportVectorMachine)。該算法引入了Fisher準(zhǔn)則中的樣本離散度作為度量標(biāo)準(zhǔn)，利用Fisher準(zhǔn)則函數(shù)作為評(píng)價(jià)函數(shù)，試圖使算法在訓(xùn)練結(jié)束時(shí)能找到這樣一個(gè)分割平面，使同類樣本間盡量密集而不同類樣本間距離盡量拉大。達(dá)到了降低了算法訓(xùn)練的時(shí)間復(fù)雜度和提高測(cè)試精度的目的。 簡(jiǎn)單的支持向量機(jī)只能處理二值分類問題，不能直接處理多值分類問題。而現(xiàn)實(shí)世界中的大部分?jǐn)?shù)據(jù)都是多類數(shù)據(jù)，所以需