基于支持向量機的特征提取方法研究與應用.pdf

1、統(tǒng)計學習理論是一種專門研究有限樣本情況下機器學習規(guī)律的理論，它不僅考慮了對推廣能力的要求，而且追求在現(xiàn)有有限信息的條件下得到最優(yōu)結(jié)果。支持向量機是在統(tǒng)計學習理論的基礎(chǔ)上發(fā)展而來的一種新的機器學習方法，在解決有限樣本、非線性及高維模式識別問題中表現(xiàn)出許多特有的優(yōu)勢。 本文提出了一種用于最佳特征子集選取的特征篩選算法，且實現(xiàn)了特征與分類識別相關(guān)性強度的排序，并通過使用該算法對Ⅱ型糖尿病判別與風險因素篩選，求證了該方法的可靠性和可行性

2、。本文將該算法稱為Feature-Filtrate算法。當以該算法提取的特征子集{腰圍、腰圍/臀圍、舒張血壓、年齡)作為輸入向量時，敏感度、特異性、準確率最高，分別為0.8666、0.6420、0.7014。同時，為了比較該方法的優(yōu)越性，本文還采用了決策樹、多層感知器建立類似模型分析同一數(shù)據(jù)集做比較。本文還將Feature-Filtrate算法與主成分分析法進行比較。試驗表明，在特征提取方面該算法優(yōu)于主成分分析法。因此，基于支持向量機的

3、Feature-Filtrate算法對風險因素篩選、分類識別是一種有效的方法，為解決該類問題探索了一條有效途徑。而且，本文采用決策樹的思想對上述方法進行擴展，達到了多類分類和最佳特征子集的確定的目的。 本文用Java技術(shù)實現(xiàn)了Ⅱ型糖尿病預測系統(tǒng)。該系統(tǒng)用支持向量機結(jié)合Feature-Filtrate算法進行數(shù)據(jù)挖掘，預測用戶患Ⅱ型糖尿病的概率風險，提供用戶適合的醫(yī)療保健途徑，并能夠?qū)Σ±畔?、用戶信息等進行管理。同時，該系統(tǒng)將有