论文摘要：基于双支持向量机的多类分类算法研究

支持向量机(Support Vector Machines，SVM)是一种针对分类和回归问题的新型的机器学习方法，它基于统计学习理论的VC维理论和结构风险最小化原则，能有效地解决维数灾难和过学习问题，具有全局最优、结构简单、泛化能力强等优点，已成为数据挖掘领域新的研究热点，并被广泛应用于医疗诊断、经济预测等众多领域。支持向量机最初是针对两类分类问题提出的，如何将其扩展到多类分类问题是支持向量机理论研究的重点内容之一。
本文主要研究将双支持向量机（Twin Support Vector Machine，TWSVM）推广到多类分类问题。主要工作如下：
（1）深入分析了现有的支持向量机二类分类算法，比较了它们的优缺点。
（2）详细介绍了现有的支持向量机多类分类算法，对包括“一对一”、“一对多”方法、二叉树支持向量机多类分类算法、决策导向无环图方法、纠错输入编码方法、一次性求解方法以及其他的多类支持向量机分类算法的优缺点进行了比较。
（3）结合“一对多”方法和双支持向量机，提出了一对多双支持向量机多类分类算法，并在UCI数据集上实验验证了它的有效性。实验结果显示一对多双支持向量机多类分类算法的分类准确率与“一对多”方法、决策导向无环图方法和 “一对一”方法相当，但训练速度比“一对多”方法快。
（4）结合二叉树支持向量机多类分类算法和双支持向量机，提出了二叉树双支持向量机多类分类算法，并在UCI数据集上验证了它的有效性。实验结果显示，我们提出的算法和 “一对多”方法和二叉树支持向量机多类分类算法相比，在训练时间上具有绝对优势，尤其在处理较大数据集的多类分类问题时，这一优势尤为突出。同时，在采用非线性核函数时，我们提出的算法能取得更好的分类准确率。
(5) 根据样本的重要性，对每个样本赋予不同的隶属度，把一对多双支持向量机多类分类算法应用于解决多类模糊分类问题，提出模糊多类双支持向量机，并在UCI数据集上验证了该算法的有效性。
(6)对本文的工作进行了总结和展望。

来源：半壳优胜鲸鱼幸运星转载请保留出处和链接！

本文链接：http://87cpy.com/246414.html