基于聚類技術(shù)支持向量機(jī)的數(shù)據(jù)挖掘研究.pdf

1、數(shù)據(jù)挖掘就是從大量的、不完全的、雜亂的、模糊的、隨機(jī)的數(shù)據(jù)中，提取隱含在其中的、不能被人們事先預(yù)知的、但又是潛在有用的信息和知識(shí)的過程，被信息產(chǎn)業(yè)界認(rèn)為是數(shù)據(jù)庫系統(tǒng)最重要的前沿之一，是信息產(chǎn)業(yè)最有前途的交叉學(xué)科。
　　 支持向量機(jī)(SVM)是近年來在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上發(fā)展起來的一種新的模式識(shí)別方法，在解決小樣本、非線性以及高維模式識(shí)別問題中表現(xiàn)出許多特有的優(yōu)勢(shì)，然而，在處理海量數(shù)據(jù)的時(shí)候，支持向量機(jī)方法存在運(yùn)行速度緩慢的不足。

2、為了解決樣本點(diǎn)過多導(dǎo)致訓(xùn)練速度太慢的問題，本文做了如下創(chuàng)新性工作：
　　 (1)從減小訓(xùn)練集規(guī)模的角度出發(fā)，使用聚類技術(shù)來保持整個(gè)數(shù)據(jù)的分布特性，同時(shí)大幅減小訓(xùn)練數(shù)據(jù)集規(guī)模；
　　 (2)對(duì)聚類結(jié)果進(jìn)行邊緣提取，保留分類邊界附近的支持向量；
　　 (3)使用邊緣提取和聚類算法選擇的樣本點(diǎn)重構(gòu)訓(xùn)練數(shù)據(jù)集，對(duì)新的數(shù)據(jù)集使用支持向量機(jī)方法進(jìn)行分類。由于重建的訓(xùn)練數(shù)據(jù)集規(guī)模較小，訓(xùn)練程序運(yùn)行速度有較大的提高，同時(shí)也保證了

3、分類的精確度。
　　 本文提出了基于聚類技術(shù)的快速支持向量機(jī)算法(FSVM)，該算法在保證了分類精度的情況下，大大縮減了訓(xùn)練數(shù)據(jù)的規(guī)模，從而減少了訓(xùn)練時(shí)間，確保了支持向量機(jī)在數(shù)據(jù)挖掘這種大數(shù)據(jù)集情況下的有效應(yīng)用。
　　 本文對(duì)FSVM算法進(jìn)行了仿真，通過和傳統(tǒng)支持向量機(jī)算法進(jìn)行對(duì)比，證實(shí)了FSVM算法在保證了分類精度的情況下，大大縮減了訓(xùn)練數(shù)據(jù)的規(guī)模，從而減少了訓(xùn)練時(shí)間，從而確保了支持向量機(jī)在數(shù)據(jù)挖掘大數(shù)據(jù)集情況下的實(shí)用