基于支持向量機的數(shù)據(jù)挖掘技術研究.pdf

1、數(shù)據(jù)挖掘作為一種融合了人工智能、數(shù)據(jù)庫和數(shù)理統(tǒng)計等學科特點的新興技術,與機器學習和統(tǒng)計學習密切相關.它是從大量、復雜的數(shù)據(jù)中迅速獲取新穎、有效的知識的過程.分類即通過由經(jīng)驗數(shù)據(jù)訓練得到的分類器預測未知數(shù)據(jù)的歸屬,是模式識別、機器學習、統(tǒng)計分析等領域的一個基本問題,也是一種最常見的數(shù)據(jù)挖掘任務.支持向量機作為一種新興的統(tǒng)計學習算法,以其優(yōu)秀的理論基礎(結構最小化理論、核空間理論)脫穎而出.它是在統(tǒng)計學習理論基礎上發(fā)展起來的一種通用學習機器

2、,其關鍵的思想是利用核函數(shù)把一個復雜的分類任務通過核函數(shù)映射使之轉化成一個在高維特征空間中構造線性分類超平面的問題.作為結構風險最小化準則的具體實現(xiàn),支持向量機方法具有全局最優(yōu)、結構簡單、推廣能力強等優(yōu)點.本文首先討論了數(shù)據(jù)挖掘的基本概念,關鍵技術,挖掘任務,挖掘方法,基本過程以及發(fā)展狀況.然后在研究了支持向量機的理論基礎及基本概念和要解決的關鍵技術問題之后,又對當前各種比較通用的支持向量機訓練算法進行了研究,比較了各種算法的優(yōu)劣,尤其

3、深入研究了Platt等人的SMO(Sequential Minimal Optimization)算法,指出這種SMO算法低效的主要原因是采用了單一的閾值參數(shù),然后參考Keerthi等人的思想,提出了一種使用兩個閾值參數(shù)的改進的SMO算法,在冠心病數(shù)據(jù)集和肺惡性腫瘤數(shù)據(jù)集上的試驗結果表明,這種改進的SMO算法在訓練速度及分類準確性上都有一定的提高.最后本文應用徑向基核函數(shù)(RBF),給出一種以支持向量機為核心的數(shù)據(jù)挖掘方案,設計完成了醫(yī)