本文選題：支持向量機(jī) + 規(guī)則提取�。� 參考：《計(jì)算機(jī)工程與應(yīng)用》2017年06期

【摘要】：支持向量機(jī)(SVM)因?yàn)楹撕瘮?shù)應(yīng)用內(nèi)積運(yùn)算造成了模型較強(qiáng)的"黑箱性"。目前SVM的"黑箱性"研究主要采用規(guī)則提取方法解決分類問題,而回歸問題鮮有提及。針對(duì)回歸問題,嘗試性提出基于回歸樹算法的SVM回歸規(guī)則提取方法,算法充分利用支持向量的特殊性以及回歸樹的優(yōu)勢(shì),建立支持向量的決策樹模型,成功提取出決策能力高,包含變量少,計(jì)算量小且容易讀取的規(guī)則。通過標(biāo)準(zhǔn)數(shù)據(jù)集Auto MPG和實(shí)際的煤制甲醇生產(chǎn)數(shù)據(jù)集進(jìn)行了驗(yàn)證,與其他算法對(duì)比分析結(jié)果表明,所提取的回歸規(guī)則在訓(xùn)練精度和預(yù)測(cè)精度等方面都有一定程度的提高。
[Abstract]:Support Vector Machine (SVM) because kernel functions use inner product operations, the model has a strong "black box". At present, the "black box" research of SVM mainly uses the rule extraction method to solve the classification problem, but the regression problem is seldom mentioned. Aiming at the regression problem, a method of SVM regression rule extraction based on regression tree algorithm is proposed. The algorithm makes full use of the particularity of support vector and the advantage of regression tree, establishes decision tree model of support vector, and successfully extracts the decision ability of support vector. Rules that contain fewer variables, less computation, and are easy to read. It is verified by standard data set Auto MPG and actual data set of methanol production from coal. The results of comparison with other algorithms show that the extracted regression rules can improve the training accuracy and prediction accuracy to a certain extent.
【作者單位】： 內(nèi)蒙古科技大學(xué)機(jī)械工程學(xué)院;
【基金】：國(guó)家自然科學(xué)基金(No.21366017) 內(nèi)蒙古科技大學(xué)大學(xué)生科技創(chuàng)新基金資助項(xiàng)目(No.2014060)
【分類號(hào)】：TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 吳娟;范玉妹;王麗;;關(guān)于改進(jìn)的支持向量機(jī)的研究[J];攀枝花學(xué)院學(xué)報(bào);2006年05期

2 劉碩明;劉佳;楊海濱;;一種新的多類支持向量機(jī)算法[J];計(jì)算機(jī)應(yīng)用;2008年S2期

3 尹傳環(huán);牟少敏;田盛豐;黃厚寬;;單類支持向量機(jī)的研究進(jìn)展[J];計(jì)算機(jī)工程與應(yīng)用;2012年12期

4 王云英;閻滿富;;C-支持向量機(jī)及其改進(jìn)[J];唐山師范學(xué)院學(xué)報(bào);2012年05期

5 李逢煥;;試述不確定支持向量機(jī)應(yīng)用分析及改進(jìn)思路[J];中國(guó)證券期貨;2012年12期

6 邵惠鶴;支持向量機(jī)理論及其應(yīng)用[J];自動(dòng)化博覽;2003年S1期

7 曾嶸,蔣新華,劉建成;基于支持向量機(jī)的異常值檢測(cè)的兩種方法[J];信息技術(shù);2004年05期

8 張凡,賀蘇寧;模糊判決支持向量機(jī)在自動(dòng)語(yǔ)種辨識(shí)中的研究[J];計(jì)算機(jī)工程與應(yīng)用;2004年21期

9 魏玲,張文修;基于支持向量機(jī)集成的分類[J];計(jì)算機(jī)工程;2004年13期

10 沈翠華,鄧乃揚(yáng),肖瑞彥;基于支持向量機(jī)的個(gè)人信用評(píng)估[J];計(jì)算機(jī)工程與應(yīng)用;2004年23期

相關(guān)會(huì)議論文 前10條

1 余樂安;姚瀟;;基于中心化支持向量機(jī)的信用風(fēng)險(xiǎn)評(píng)估模型[A];第六屆（2011）中國(guó)管理學(xué)年會(huì)——商務(wù)智能分會(huì)場(chǎng)論文集[C];2011年

2 劉希玉;徐志敏;段會(huì)川;;基于支持向量機(jī)的創(chuàng)新分類器[A];山東省計(jì)算機(jī)學(xué)會(huì)2005年信息技術(shù)與信息化研討會(huì)論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機(jī)學(xué)習(xí)方法[A];全國(guó)第19屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集（下冊(cè)）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機(jī)的系統(tǒng)辨識(shí)方法研究及應(yīng)用[A];中國(guó)力學(xué)大會(huì)——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機(jī)方法的衢州降雪模型[A];第五屆長(zhǎng)三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機(jī)方法預(yù)測(cè)膜蛋白類型[A];第十一次中國(guó)生物物理學(xué)術(shù)大會(huì)暨第九屆全國(guó)會(huì)員代表大會(huì)摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機(jī)綜述[A];全國(guó)第十五屆計(jì)算機(jī)科學(xué)與技術(shù)應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學(xué)與支持向量機(jī)[A];2005年中國(guó)智能自動(dòng)化會(huì)議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機(jī)算法[A];2006中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];2006年

10 侯澍e，

本文編號(hào)：1858214