SVM參數(shù)尋優(yōu)及其在分類中的應(yīng)用.pdf

1、支持向量機（Support Vector Machine，簡稱SVM）是在20世紀90年代中期，由Vapnik提出的一種基于統(tǒng)計學(xué)習(xí)理論的機器學(xué)習(xí)算法，目前已應(yīng)用于很多領(lǐng)域中。在支持向量機應(yīng)用中，核函數(shù)及其參數(shù)的選擇對支持向量機的分類結(jié)果有很大的影響。因此，支持向量機的參數(shù)優(yōu)化成為支持向量機研究中的一個備受關(guān)注的研究課題。早期，采用手動調(diào)整支持向量機的參數(shù);近幾年，多采用智能算法自動優(yōu)化支持向量機的參數(shù)，常用的優(yōu)化算法有遺傳算法、粒子群

2、算法和網(wǎng)格搜索算法等。
　　本文的主要工作如下:
　　首先，本文介紹了支持向量機的參數(shù)優(yōu)化。分別利用遺傳算法、粒子群算法和網(wǎng)格搜索算法來優(yōu)化支持向量機的懲罰參數(shù)C和高斯核函數(shù)中的參數(shù)σ。
　　其次，本文介紹了支持向量機參數(shù)優(yōu)化在分類中的應(yīng)用。將三種方法優(yōu)化后的支持向量機用于UCI數(shù)據(jù)集分類問題中。數(shù)值實驗結(jié)果，可以體現(xiàn)出三種參數(shù)優(yōu)化算法的優(yōu)缺點。當數(shù)據(jù)集包含的樣本數(shù)目比較小時，利用網(wǎng)格搜索算法優(yōu)化支持向量機的參數(shù)比較理