基于SVM的數(shù)據(jù)挖掘分類技術研究.pdf

1、隨著計算機技術和網(wǎng)絡通訊技術的日益發(fā)展，大量數(shù)據(jù)涌到人們面前。如何有效地選擇需要的信息成為了越來越突出的問題，數(shù)據(jù)挖掘技術就是順應這種需要而發(fā)展起來。 分類技術作為數(shù)據(jù)挖掘技術的一個重要方面，一直備受研究者的關注，已產(chǎn)生了很多好的解決方法，其中本論文中研究的支持向量機方法就是一個很有效的分類方法，它是以統(tǒng)計學習理論為基礎而發(fā)展起來的一種新的分類方法。它使用結構風險最小化原則代替經(jīng)驗風險最小化原則，較好地處理小樣本情況下的學習問題

2、。又由于采用了核函數(shù)思想，它能把非線性問題轉化為線性問題來解決，并降低了算法的復雜度。 本文首先討論了統(tǒng)計學習理論的一些基本知識，其中包括了機器學習，VC維，推廣性的界和結構風險最小化等。接下來重點介紹了支持向量機，包括了它的發(fā)展歷史和現(xiàn)狀，主要的基本概念和研究內(nèi)容，并針對當前幾種基于支持向量機的多值分類算法的不足，分析了多值分類的過程，采用基于相對分離度的新的多值分類算法，最后的數(shù)值實驗說明算法是可行的、有效的。另外，針對支持