基于支持向量機的數(shù)據(jù)挖掘技術(shù)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(shù),與機器學習和統(tǒng)計學習密切相關(guān).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(jié)構(gòu)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(guān)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(zhuǎn)化成一個在高維特征空間中構(gòu)造線性分類超平面的問題.作為結(jié)構(gòu)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(jié)構(gòu)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(guān)鍵技術(shù),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(guān)鍵技術(shù)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(jié)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)