基于SVM的數(shù)據(jù)挖掘技術(shù)研究.pdf

1、隨著世界信息技術(shù)的迅猛發(fā)展，信息量也呈幾何指數(shù)增長(zhǎng)，如何從巨量、復(fù)雜的數(shù)據(jù)中獲取有用的信息，使數(shù)據(jù)挖掘技術(shù)成為了近年來(lái)信息技術(shù)研究領(lǐng)域的熱點(diǎn)問(wèn)題。數(shù)據(jù)挖掘是一種包含了數(shù)據(jù)庫(kù)、人工智能和數(shù)理統(tǒng)計(jì)等多種學(xué)科特點(diǎn)的新興技術(shù)，包含的內(nèi)容很多，其中分類挖掘是最重要也是最常見的數(shù)據(jù)挖掘任務(wù)。支持向量機(jī)是基于統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來(lái)的一種通用學(xué)習(xí)機(jī)器，目前正以其優(yōu)秀的理論基礎(chǔ)(VC維、結(jié)構(gòu)最小化理論和核空間理論)成為了數(shù)據(jù)挖掘中分類挖掘的研究熱點(diǎn)。

2、他的主要思想就是在高維特征空間中利用核函數(shù)把復(fù)雜的分類任務(wù)映射成一個(gè)線性分類超平面的問(wèn)題。支持向量機(jī)具有結(jié)構(gòu)簡(jiǎn)單、全局最優(yōu)、推廣能力強(qiáng)等優(yōu)點(diǎn)。本文先對(duì)數(shù)據(jù)挖掘的基本概念、常用技術(shù)等進(jìn)行了介紹，然后對(duì)支持向量機(jī)的理論基礎(chǔ)、基本概念和基本算法，及目前支持向量機(jī)的現(xiàn)有各種改進(jìn)算法進(jìn)行了研究和分析。由于在實(shí)際應(yīng)用中，數(shù)據(jù)挖掘處理的往往是大量的數(shù)據(jù)或者是增量的數(shù)據(jù)，因此，本文重點(diǎn)對(duì)支持向量機(jī)的快速學(xué)習(xí)和解決大規(guī)模數(shù)據(jù)問(wèn)題時(shí)采用的增量學(xué)習(xí)策略進(jìn)行了

3、研究，針對(duì)一般SVM增量學(xué)習(xí)算法訓(xùn)練速度還有提高空間、針對(duì)歷史數(shù)據(jù)處理過(guò)于粗糙而不能適應(yīng)新增樣本集中數(shù)據(jù)分布不同情形導(dǎo)致分類精度受損、針對(duì)一般SVM增量學(xué)習(xí)算法優(yōu)化問(wèn)題C－SVM懲罰分量C選擇的困難及難以適應(yīng)新增樣本集數(shù)據(jù)分布可能不同的狀況，本文提出了一種改進(jìn)的基于兩凸包邊界向量預(yù)選取的自調(diào)整參數(shù)Bv－SVM增量學(xué)習(xí)方法。通過(guò)在UCI數(shù)據(jù)庫(kù)上實(shí)驗(yàn)表明，該方法在訓(xùn)練時(shí)間上都明顯優(yōu)于標(biāo)準(zhǔn)C－SVM和一般支持向量機(jī)增量學(xué)習(xí)算法，在訓(xùn)練精度上明