学位论文 > 优秀研究生学位论文题录展示

面向支持向量机的特征约简研究

作　者: 汤海先
导　师: 马光志
学　校: 华中科技大学
专　业: 计算机应用技术
关键词: 支持向量机特征约简分类特征排名信息增益
分类号: TP181
类　型: 硕士论文
年　份: 2009年
下　载: 21次
引　用: 0次
阅　读: 论文下载

内容摘要

支持向量机(Support Vector Machines, SVM)是一种高效的分类方法。支持向量机虽然能克服维数灾难问题,但如果直接使用原始数据集对其进行训练,可能因为计算量大而导致训练无法进行,也可能使分类器精度达不到理想的效果。在现代生物和医学等应用领域,数据集的维数常常达上千维甚至更高,而样本集的大小却有限,支持向量机的学习效果可能不会很理想,而且计算时间比较长。对于分类目标,原始数据集的部分特征或是不相关的或冗余的,甚至是噪声,对这些特征进行约简不会降低分类精度。特征约简对于分类器的构造至关重要,挑选一组对分类有影响或影响很大的特征,可以限制分类器特征的个数,从而改善分类精度,加快学习模型的构建时间,而且从少量的特征集得到的分类模型更加易于理解。目前,关于特征约简的方法较多,常用的方法大多基于关联度、信息增益和F-score。对于支持向量机的分类精度来说,这些约简方法的效果如何没有系统比较。在研究上述三种特征约简方法的基础上,开发了面向支持向量机的特征约简系统,对上述三种约简方法进行了实验验证,在此基础上建立了多组支持向量机学习模型。实验分别使用了2组临床应用数据集、6组UCI数据集及3组高维文本数据集。实验结果表明,通过对特征进行约简后建立支持向量机,可以明显地加快支持向量机的学习速度,同时可以有效地改善模型的分类精度。

全文目录

摘要  4-5
Abstract  5-8
1 绪论  8-15
  1.1 课题研究的背景和意义  8-9
  1.2 国内外研究概况  9-13
  1.3 本文主要研究工作  13-14
  1.4 本文的内容组织  14-15
2 支持向量机的相关理论和技术  15-26
  2.1 支持向量机学习基础  15-17
  2.2 支持向量机模型  17-22
  2.3 核函数策略  22-25
  2.4 本章小结  25-26
3 面向支持向量机的特征约简  26-36
  3.1 特征约简  26-32
  3.2 核函数参数选择  32-34
  3.3 面向支持向量机的特征约简实现  34-35
  3.4 本章小结  35-36
4 实验结果及分析  36-47
  4.1 数据集介绍  36-37
  4.2 实验设计  37-39
  4.3 实验结果  39-41
  4.4 实验分析  41-45
  4.5 本章小结  45-47
5 全文总结与展望  47-49
  5.1 总结  47-48
  5.2 展望  48-49
致谢  49-50
参考文献  50-53

面向支持向量机的特征约简研究

内容摘要

全文目录

相似论文