支持向量機分類算法的研究.pdf

1、分類問題是實際應(yīng)用中普遍存在的問題，也是機器學(xué)習(xí)領(lǐng)域的基礎(chǔ)研究之一，快速發(fā)展的信息技術(shù)對其在理論研究和實際應(yīng)用中提出了許多新的難題和挑戰(zhàn)。支持向量機是建立在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上的新型機器學(xué)習(xí)方法。它根據(jù)有限樣本信息在模型的復(fù)雜度和期望風(fēng)險之間尋求最佳方式，從而獲得更好的泛化性能。與傳統(tǒng)的學(xué)習(xí)方法相比，支持向量機具有泛化能力強、維數(shù)不敏感、收斂到全局最優(yōu)等優(yōu)點，較好地解決了傳統(tǒng)算法容易出現(xiàn)的過學(xué)習(xí)、局部極值、維數(shù)災(zāi)難等棘手問題，成為近幾年機

2、器學(xué)習(xí)領(lǐng)域中的一個非常活躍的研究熱點。
　　 本文對基于支持向量機的分類算法進行了深入的研究，完成的主要內(nèi)容如下:
　　 1.針對不平衡數(shù)據(jù)分類問題，本文提出了一種基于Smote與核函數(shù)修改相結(jié)合的算法。首先在數(shù)據(jù)層面上利用Smote方法對數(shù)據(jù)進行處理，降低原始數(shù)據(jù)的不平衡度。然后在算法層面上，對核函數(shù)進行修改，擴大少數(shù)類和最優(yōu)分類超平面的間隔，有效的提高了分類器的泛化性能和少數(shù)類的準(zhǔn)確率，較好的解決了不平衡數(shù)據(jù)分類問題

3、。
　　 2.研究了基于二叉樹支持向量機的多分類問題，針對傳統(tǒng)二叉樹算法中點和葉劃分盲目，誤差累計等缺點，提出了一種新的二叉樹SVM多分類算法。該算法合理利用了子分類器的分類信息，大大減少了子分類器的數(shù)目，經(jīng)仿真分析，無論是在時間還是正確率方面都達到了令人滿意的效果。
　　 3.對核函數(shù)進行研究，重點討論了核函數(shù)SVM的基本特性、構(gòu)造問題。在此基礎(chǔ)上，提出了一種基于混合核函數(shù)的分類方法，用以處理不平衡數(shù)據(jù)，取得了良好的效