分類的目的在于根據(jù)其特征將數(shù)據(jù)“分門別類”,在數(shù)據(jù)挖掘中的研究中備受人們的關(guān)注。分類問(wèn)題包含了兩個(gè)基本過(guò)程:學(xué)習(xí)和分類。在學(xué)習(xí)的過(guò)程中,利用有效的學(xué)習(xí)方法,從已知類別的訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)一個(gè)分類器;在分類的過(guò)程中,使用學(xué)習(xí)得到的分類器,對(duì)類別未知的數(shù)據(jù)進(jìn)行分類。由此可見(jiàn),分類的準(zhǔn)確程度依賴于分類器的準(zhǔn)確性,所以分類的重點(diǎn)在于分類器的學(xué)習(xí)。支持向量機(jī)(SVM)和距離加權(quán)判別(DWD)是兩個(gè)非常常用的分類算法,其搜索最佳分離超平面的策略均是使得間隔最大化。在SVM中,只有支持向量才會(huì)對(duì)分離超平面的學(xué)習(xí)有影響,所以對(duì)類別不平衡數(shù)據(jù)不敏感。但是,在損失最小化的過(guò)程中,SVM容易出現(xiàn)高維小樣本數(shù)據(jù)下的“數(shù)據(jù)堆積”現(xiàn)象,即在分離超平面兩側(cè)的間隔邊界上堆積了很多樣本點(diǎn)(即支持向量),造成過(guò)度擬合。在DWD中,所有樣本點(diǎn)都對(duì)分離超平面的學(xué)習(xí)有不同程度的影響,所以可以有效地解決高維小樣本數(shù)據(jù)的過(guò)擬合問(wèn)題。但是,面對(duì)類別不平衡數(shù)據(jù)時(shí),DWD為了減少整體誤分類,容易偏向于多數(shù)類,從而將分離超平面推向少數(shù)類一側(cè)。靈活分類器(FLAME)和距離加權(quán)支持向量機(jī)(DWSVM)的提出,就是為了解決上述提到的高維小樣本數(shù)...

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
    1.2 研究現(xiàn)狀
    1.3 本文的主要貢獻(xiàn)
    1.4 本文的研究?jī)?nèi)容與結(jié)構(gòu)安排
第二章 數(shù)據(jù)挖掘概述
    2.1 數(shù)據(jù)庫(kù)中的知識(shí)發(fā)現(xiàn)
    2.2 數(shù)據(jù)挖掘
    2.3 數(shù)據(jù)挖掘的方法(任務(wù))
    2.4 數(shù)據(jù)挖掘的技術(shù)
第三章 一些經(jīng)典的分類算法
    3.1 分類和損失函數(shù)
    3.2 支持向量機(jī)(SVM)
    3.3 距離加權(quán)判別(DWD)
    3.4 模糊支持向量機(jī)(FSVM)
第四章 高維小樣本數(shù)據(jù)和類別不平衡數(shù)據(jù)的分類問(wèn)題
    4.1 高維小樣本數(shù)據(jù)的過(guò)擬合問(wèn)題
    4.2 類別不平衡數(shù)據(jù)的敏感問(wèn)題
    4.3 靈活分類器(FLAME)
    4.4 距離加權(quán)支持向量機(jī)(DWSVM)
第五章 基于高維小樣本數(shù)據(jù)和類別不平衡數(shù)據(jù)分類的新算法
    5.1 反距離加權(quán)支持向量機(jī)(IDWSVM)
    5.2 松弛變量及懲罰參數(shù)的分析
第六章 實(shí)例分析
    6.1 高維小樣本數(shù)據(jù)
    6.2 類別不平衡數(shù)據(jù)
第七章 總結(jié)與展望
    7.1 總結(jié)
    7.2 展望
參考文獻(xiàn)
致謝
學(xué)位論文評(píng)閱及答辯情況表



本文編號(hào)：3793765