基于支持向量機(jī)的特征選擇及其集成方法的研究.pdf

1、隨著計(jì)算機(jī)與網(wǎng)絡(luò)技術(shù)的快速發(fā)展,大數(shù)據(jù)集的出現(xiàn)致使人們獲取的信息量正在以前所未有的速度日益劇增,也導(dǎo)致大量不相關(guān)或冗余數(shù)據(jù)的不斷涌現(xiàn)。因此,如何快速獲取所需有用信息方面的應(yīng)用研究,也日益倍受人們關(guān)注。
　　 目前,特征選擇作為應(yīng)用于數(shù)據(jù)挖掘中消除數(shù)據(jù)噪聲的一種技術(shù),也作為根據(jù)某一準(zhǔn)則從原有的特征中選擇出最優(yōu)的特征組合實(shí)現(xiàn)對(duì)數(shù)據(jù)進(jìn)行預(yù)處理的一種常用手段,已成為模式識(shí)別領(lǐng)域研究的一個(gè)熱點(diǎn)。
　　 本文運(yùn)用以具有良好泛化能力的

2、支持向量機(jī)的特征選擇和集成分類器新技術(shù),在支持向量機(jī)分類的基礎(chǔ)上,以特征選擇和基于特征選擇的集成學(xué)習(xí)方法為主要研究?jī)?nèi)容,以影響支持向量機(jī)性能的主要因素為研究對(duì)象,對(duì)正則化參數(shù)C和核函數(shù)參數(shù)的選擇進(jìn)行了較深入的研究,并通過(guò)對(duì)多個(gè)成員分類器結(jié)果的集成,以進(jìn)一步提高對(duì)數(shù)據(jù)挖掘的學(xué)習(xí)泛化能力。研究成果主要體現(xiàn)在以下兩方面:
　　 (1)設(shè)計(jì)了RGS算法。該算法首先利用ReliefF方法對(duì)樣本集特征進(jìn)行排序,然后,利用遺傳算法優(yōu)化特征子集