2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩62頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、在現(xiàn)實世界中,萬事萬物都有著其特征,這樣的特征或多或少、或重要或不重要。人們通過事物的特征可以確定其所屬分類,但是當(dāng)事物的特征都很多時,如果人們依靠傳統(tǒng)的方法對事物進(jìn)行分類就顯得耗時耗力,并且分類的精確性不高。而分類作為一種預(yù)測模型,如果分類的精確性低或用時長,則這種預(yù)測將變得毫無價值。因此人們提出了各種分類模型來對事物進(jìn)行預(yù)測,其中支持向量機和支持向量描述數(shù)據(jù)在對高維數(shù)據(jù)進(jìn)行預(yù)測時有著一定的優(yōu)勢,并且根據(jù)不同的要求,對這兩種算法的改進(jìn)

2、應(yīng)用到了現(xiàn)實生活中的許多領(lǐng)域。
  首先,本文研究了數(shù)據(jù)挖掘分類算法中的支持向量機的背景和理論,分析并總結(jié)了SVM各種改進(jìn)方法的研究現(xiàn)狀。其次,在分析和研究支持向量數(shù)據(jù)描述幾種改進(jìn)算法的基礎(chǔ)上,針對構(gòu)造SVDD分類器實質(zhì)上是求解一個優(yōu)化的二次規(guī)劃問題,并且影響SVDD算法決策邊界的因素為訓(xùn)練樣本的支持向量,為了提高SVDD算法的訓(xùn)練速度,引入K-均值聚類和樣本相似度,提出了一種基于約減集的兩次訓(xùn)練的RSTSVDD算法。該算法以聚類

3、和樣本相似度區(qū)間的方法將訓(xùn)練樣本集劃分為多個子集,從這些子集中隨機抽取訓(xùn)練樣本作為一個訓(xùn)練子集來訓(xùn)練一個SVDD分類器的決策邊界,再以分類器的決策邊界找出原始訓(xùn)練集的可能支持向量構(gòu)成一個新的訓(xùn)練子集,來訓(xùn)練另一個SVDD分類器的決策邊界。最后,本文在3個不同維的breast-cancer數(shù)據(jù)集上,分別用SVDD算法、RSVDD算法與RSTSVDD算法進(jìn)行了實驗,并對它們的性能進(jìn)行比較。實驗結(jié)果表明,在保持分類精度基本不變的基礎(chǔ)上,RST

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論