一種改進(jìn)的支持向量數(shù)據(jù)描述算法.pdf

1、在現(xiàn)實(shí)世界中,萬(wàn)事萬(wàn)物都有著其特征,這樣的特征或多或少、或重要或不重要。人們通過(guò)事物的特征可以確定其所屬分類,但是當(dāng)事物的特征都很多時(shí),如果人們依靠傳統(tǒng)的方法對(duì)事物進(jìn)行分類就顯得耗時(shí)耗力,并且分類的精確性不高。而分類作為一種預(yù)測(cè)模型,如果分類的精確性低或用時(shí)長(zhǎng),則這種預(yù)測(cè)將變得毫無(wú)價(jià)值。因此人們提出了各種分類模型來(lái)對(duì)事物進(jìn)行預(yù)測(cè),其中支持向量機(jī)和支持向量描述數(shù)據(jù)在對(duì)高維數(shù)據(jù)進(jìn)行預(yù)測(cè)時(shí)有著一定的優(yōu)勢(shì),并且根據(jù)不同的要求,對(duì)這兩種算法的改進(jìn)

2、應(yīng)用到了現(xiàn)實(shí)生活中的許多領(lǐng)域。
　　首先,本文研究了數(shù)據(jù)挖掘分類算法中的支持向量機(jī)的背景和理論,分析并總結(jié)了SVM各種改進(jìn)方法的研究現(xiàn)狀。其次,在分析和研究支持向量數(shù)據(jù)描述幾種改進(jìn)算法的基礎(chǔ)上,針對(duì)構(gòu)造SVDD分類器實(shí)質(zhì)上是求解一個(gè)優(yōu)化的二次規(guī)劃問(wèn)題,并且影響SVDD算法決策邊界的因素為訓(xùn)練樣本的支持向量,為了提高SVDD算法的訓(xùn)練速度,引入K-均值聚類和樣本相似度,提出了一種基于約減集的兩次訓(xùn)練的RSTSVDD算法。該算法以聚類

3、和樣本相似度區(qū)間的方法將訓(xùn)練樣本集劃分為多個(gè)子集,從這些子集中隨機(jī)抽取訓(xùn)練樣本作為一個(gè)訓(xùn)練子集來(lái)訓(xùn)練一個(gè)SVDD分類器的決策邊界,再以分類器的決策邊界找出原始訓(xùn)練集的可能支持向量構(gòu)成一個(gè)新的訓(xùn)練子集,來(lái)訓(xùn)練另一個(gè)SVDD分類器的決策邊界。最后,本文在3個(gè)不同維的breast-cancer數(shù)據(jù)集上,分別用SVDD算法、RSVDD算法與RSTSVDD算法進(jìn)行了實(shí)驗(yàn),并對(duì)它們的性能進(jìn)行比較。實(shí)驗(yàn)結(jié)果表明,在保持分類精度基本不變的基礎(chǔ)上,RST