基于SVM的分類挖掘算法及其應(yīng)用.pdf

1、隨著數(shù)據(jù)庫技術(shù)的應(yīng)用越來越普及,各行各業(yè)在經(jīng)營過程中收集了大量的業(yè)務(wù)數(shù)據(jù),在這大量的數(shù)據(jù)中蘊(yùn)藏著豐富的信息,如何挖掘出這些信息使其成為有用的知識(shí),指導(dǎo)企業(yè)的經(jīng)營決策,已經(jīng)成為一個(gè)迫切需要解決的問題,數(shù)據(jù)挖掘技術(shù)在這種背景下應(yīng)運(yùn)而生.數(shù)據(jù)挖掘是在數(shù)據(jù)庫中發(fā)現(xiàn)有用的、潛在的、最終可理解的模式的非平凡過程.分類是其中一種最常用的數(shù)據(jù)挖掘任務(wù).支持向量機(jī)(SVM)作為一種新興的基于統(tǒng)計(jì)學(xué)習(xí)理論的分類算法,以其堅(jiān)實(shí)的理論基礎(chǔ),巧妙的算法實(shí)現(xiàn)和突出

2、的卓越性能脫穎而出.與其它分類算法相比,SVM方法具有全局最優(yōu)、結(jié)構(gòu)簡單、推廣能力強(qiáng)等優(yōu)點(diǎn),目前在很多領(lǐng)域獲得了相對(duì)其它分類方法的最優(yōu)的性能.鑒于此,結(jié)合參與自來水公司數(shù)據(jù)挖掘項(xiàng)目中遇到的問題,對(duì)基于SVM的分類算法在數(shù)據(jù)挖掘中的應(yīng)用進(jìn)行了研究.本文首先討論了數(shù)據(jù)挖掘的基本概念,挖掘任務(wù)以及挖掘的基本過程,并比較分析了幾種常用的分類挖掘算法及其優(yōu)缺點(diǎn)并簡單介紹了評(píng)估分類模型的幾種方法.然后詳細(xì)闡述了統(tǒng)計(jì)學(xué)習(xí)理論及結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則,基于

3、最大間隔分類超平面對(duì)SVM算法進(jìn)行了理論推導(dǎo),并分析了SVM作為一種新的分類方法所具有的優(yōu)勢.在此基礎(chǔ)上,研究了把SVM應(yīng)用于數(shù)據(jù)挖掘分類任務(wù)時(shí)需解決的問題,如適用于大數(shù)據(jù)集訓(xùn)練的選塊算法、分解算法和序列最小化算法；基于二分類支持向量機(jī)構(gòu)造多分類支持向量機(jī)的一對(duì)多、一對(duì)一及DDAG算法；結(jié)合隨機(jī)分層采用技術(shù)改進(jìn)了基于網(wǎng)格搜索的SVM模型參數(shù)尋優(yōu)方法.在作了充分的理論分析后,論文提出了一種基于SVM的水費(fèi)欠費(fèi)用戶預(yù)測建模方案.結(jié)合數(shù)據(jù)挖掘