已閱讀1頁，還剩48頁未讀， 繼續(xù)免費閱讀
版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、支持向量機(jī)(Support Vector Machines，SVM)是一種高效的分類方法。支持向量機(jī)雖然能克服維數(shù)災(zāi)難問題，但如果直接使用原始數(shù)據(jù)集對其進(jìn)行訓(xùn)練，可能因為計算量大而導(dǎo)致訓(xùn)練無法進(jìn)行，也可能使分類器精度達(dá)不到理想的效果。在現(xiàn)代生物和醫(yī)學(xué)等應(yīng)用領(lǐng)域，數(shù)據(jù)集的維數(shù)常常達(dá)上千維甚至更高，而樣本集的大小卻有限，支持向量機(jī)的學(xué)習(xí)效果可能不會很理想，而且計算時間比較長。
對于分類目標(biāo)，原始數(shù)據(jù)集的部分特征或是不相關(guān)的或冗
2、余的，甚至是噪聲，對這些特征進(jìn)行約簡不會降低分類精度。特征約簡對于分類器的構(gòu)造至關(guān)重要，挑選一組對分類有影響或影響很大的特征，可以限制分類器特征的個數(shù)，從而改善分類精度，加快學(xué)習(xí)模型的構(gòu)建時間，而且從少量的特征集得到的分類模型更加易于理解。目前，關(guān)于特征約簡的方法較多，常用的方法大多基于關(guān)聯(lián)度、信息增益和F-score。對于支持向量機(jī)的分類精度來說，這些約簡方法的效果如何沒有系統(tǒng)比較。
在研究上述三種特征約簡方法的基礎(chǔ)上，
溫馨提示
- 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽，若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容，請與我們聯(lián)系，我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于樣本約簡的支持向量機(jī).pdf
- 基于粗糙集和支持向量機(jī)的表面肌電特征約簡和分類研究.pdf
- 基于粗糙集樣例約簡的支持向量機(jī).pdf
- 面向數(shù)據(jù)挖掘的支持向量機(jī)技術(shù)研究.pdf
- 幾種特征加權(quán)支持向量機(jī)方法的比較研究.pdf
- 基于粗集約簡的支持向量機(jī)集成方法及其應(yīng)用研究.pdf
- 基于支持向量數(shù)據(jù)描述的屬性約簡算法研究.pdf
- 面向生物數(shù)據(jù)分析的支持向量機(jī)技術(shù)的研究.pdf
- 面向絕緣子狀態(tài)評估的支持向量機(jī)的研究.pdf
- 基于支持向量機(jī)的特征選擇方法的研究與應(yīng)用.pdf
- 局部支持向量機(jī)的研究.pdf
- 基于支持向量機(jī)的特征選擇及其分類算法研究.pdf
- 基于特征選擇和支持向量機(jī)的入侵檢測研究.pdf
- 基于特征選擇和支持向量機(jī)的異常檢測研究.pdf
- 面向不平衡數(shù)據(jù)的支持向量機(jī)分類方法研究.pdf
- 面向非平衡數(shù)據(jù)分類的支持向量機(jī)改進(jìn)算法研究.pdf
- 基于線性雙子支持向量機(jī)的特征選擇研究及應(yīng)用.pdf
- 基于支持向量機(jī)的個人信用評估特征優(yōu)化研究.pdf
- 基于特征融合和支持向量機(jī)的步態(tài)識別算法研究.pdf
- 支持向量機(jī)特征選擇中的Lp正則化方法研究.pdf
評論
0/150
提交評論