基于SVM的分類挖掘算法及其應用.pdf

1、隨著數(shù)據(jù)庫技術的應用越來越普及,各行各業(yè)在經營過程中收集了大量的業(yè)務數(shù)據(jù),在這大量的數(shù)據(jù)中蘊藏著豐富的信息,如何挖掘出這些信息使其成為有用的知識,指導企業(yè)的經營決策,已經成為一個迫切需要解決的問題,數(shù)據(jù)挖掘技術在這種背景下應運而生.數(shù)據(jù)挖掘是在數(shù)據(jù)庫中發(fā)現(xiàn)有用的、潛在的、最終可理解的模式的非平凡過程.分類是其中一種最常用的數(shù)據(jù)挖掘任務.支持向量機(SVM)作為一種新興的基于統(tǒng)計學習理論的分類算法,以其堅實的理論基礎,巧妙的算法實現(xiàn)和突出

2、的卓越性能脫穎而出.與其它分類算法相比,SVM方法具有全局最優(yōu)、結構簡單、推廣能力強等優(yōu)點,目前在很多領域獲得了相對其它分類方法的最優(yōu)的性能.鑒于此,結合參與自來水公司數(shù)據(jù)挖掘項目中遇到的問題,對基于SVM的分類算法在數(shù)據(jù)挖掘中的應用進行了研究.本文首先討論了數(shù)據(jù)挖掘的基本概念,挖掘任務以及挖掘的基本過程,并比較分析了幾種常用的分類挖掘算法及其優(yōu)缺點并簡單介紹了評估分類模型的幾種方法.然后詳細闡述了統(tǒng)計學習理論及結構風險最小化原則,基于

3、最大間隔分類超平面對SVM算法進行了理論推導,并分析了SVM作為一種新的分類方法所具有的優(yōu)勢.在此基礎上,研究了把SVM應用于數(shù)據(jù)挖掘分類任務時需解決的問題,如適用于大數(shù)據(jù)集訓練的選塊算法、分解算法和序列最小化算法；基于二分類支持向量機構造多分類支持向量機的一對多、一對一及DDAG算法；結合隨機分層采用技術改進了基于網格搜索的SVM模型參數(shù)尋優(yōu)方法.在作了充分的理論分析后,論文提出了一種基于SVM的水費欠費用戶預測建模方案.結合數(shù)據(jù)挖掘