不均衡數(shù)據(jù)集的支持向量機模型研究.pdf

1、近年來支持向量機理論取得了長足的發(fā)展,并廣泛應(yīng)用到模式識別、回歸分析、信號處理、函數(shù)估計等諸多領(lǐng)域,但仍有待進一步的研究和改善。 傳統(tǒng)的支持向量機當處理重要性或樣本數(shù)量不均衡的訓練集時其性能,分類精度將會顯著下降；訓練支持向量機可以歸結(jié)為求解一個二次規(guī)劃問題,而求解二次規(guī)劃的算法的計算復雜度和空間復雜度是隨著樣本數(shù)量的增加顯著增加,一些經(jīng)典的求解二次規(guī)劃的方法對于學習大規(guī)模的訓練樣本往往會失效。針對這些問題,在二分類方面,本文做

2、了三方面的研究工作。第一,支持向量機參數(shù)的選擇是決定其性能的關(guān)鍵,本文從懲罰參數(shù)、核參數(shù)的作用和最優(yōu)性條件給出了支持向量機參數(shù)選擇的定性分析；第二,本文給出了兩種分類懲罰的支持向量機模型,使之能更好的處理不均衡的樣本集；第三,本文提出采用有效集法,針對所要求解二次規(guī)劃的特點,提出了一種基于有效集法的動態(tài)存儲的支持向量機算法。該算法很大程度上降低了對計算機內(nèi)存的需求；提高了求解速度,并保證了分類精度,進一步加快了學習的速度。并且用數(shù)值實驗