支持向量機(jī)是人工智能領(lǐng)域中機(jī)器學(xué)習(xí)算法中的一種監(jiān)督學(xué)習(xí)算法,該算法通過(guò)映射,使低維樣本數(shù)據(jù)在映射到高維特征空間一個(gè)超平面將兩類樣本數(shù)據(jù)分開。傳統(tǒng)支持向量機(jī)僅解決二分類問題,對(duì)于多分類問題,將多分類問題轉(zhuǎn)化成多個(gè)二分類問題,集成多個(gè)二分類支持向量機(jī)構(gòu)成多分類支持向量機(jī)。基于二叉樹的組合型多分類支持向量機(jī)具有需訓(xùn)練的二分類SVM個(gè)數(shù)少的優(yōu)點(diǎn),避免了一對(duì)多、多對(duì)多方法的不可分、拒分區(qū)域問題的出現(xiàn)。但由于其二叉樹結(jié)構(gòu)的多樣性和組合型多分類支持向量機(jī)保證每一個(gè)樣本類別為一個(gè)整體的特點(diǎn),目前已提出了的基于組合型多分類支持向量機(jī)二叉樹結(jié)構(gòu)的構(gòu)造方法缺乏類別組合具體評(píng)價(jià)標(biāo)準(zhǔn)。本文針對(duì)基于二叉樹的多分類支持向量機(jī)構(gòu)造過(guò)程中,結(jié)構(gòu)的類別組合方式缺乏類別組合評(píng)價(jià)標(biāo)準(zhǔn)的問題,為保證每一個(gè)樣本類別為一個(gè)整體的前提,在傳統(tǒng)基于變量屬性的信息增益比的模型基礎(chǔ)上,定義了基于分類屬性的信息增益(Information Gain)比,建立了基于分類屬性IG比的組合結(jié)構(gòu)評(píng)價(jià)模型,提出了基于分類屬性IG比的多分類支持向量機(jī)結(jié)構(gòu)評(píng)價(jià)方法。該方法在二叉樹結(jié)構(gòu)構(gòu)造過(guò)程中,對(duì)于多個(gè)細(xì)分類組合成的左右兩個(gè)大類別,計(jì)算每種可能的組合依賴...

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.1支持向量機(jī)最佳超平面與間隔從上圖可以看出，要想把類標(biāo)號(hào)為+1與類標(biāo)號(hào)為-1的數(shù)據(jù)分開，可以畫出無(wú)限多

支持向量機(jī)算法的核心是利用支持向量和邊緣發(fā)現(xiàn)最佳劃分超平面，其支持向量和邊緣由訓(xùn)練數(shù)據(jù)集的“基本”訓(xùn)練元組構(gòu)成與定義。盡管支持向量機(jī)訓(xùn)練較其他分類器來(lái)得慢，但其對(duì)復(fù)雜的非線性邊界的建模能力較強(qiáng)，使得它們的分類效果較為準(zhǔn)確。在模型訓(xùn)練的過(guò)程中，較與其他模型，支持向量機(jī)不太容易過(guò)度擬....

圖2.2多分類支持向量機(jī)二叉樹結(jié)構(gòu)

類支持向量機(jī)碩士學(xué)位論文10對(duì)于n維樣本數(shù)據(jù)，支持向量機(jī)尋找劃分超平面的本質(zhì)是將一類數(shù)據(jù)與其余類的數(shù)據(jù)分離的最佳決策邊界，該最佳劃分超平面僅能判別未知數(shù)據(jù)屬于這一類或與之對(duì)應(yīng)的其余類，即兩分類問題。為解決多分類問題，將多個(gè)二值SVM組合形成組合型多分類支持向量機(jī)。組合型多分類支持....

圖4.1二叉樹支持向量機(jī)結(jié)構(gòu)圖

4基于分類屬性信息增益比的結(jié)構(gòu)評(píng)價(jià)方法碩士學(xué)位論文204基于分類屬性信息增益比的結(jié)構(gòu)評(píng)價(jià)方法構(gòu)造多分類支持向量機(jī)的二叉樹與傳統(tǒng)ID3、C45算法中決策樹最大的不同就是前者將已知樣本數(shù)據(jù)集的類別看做一個(gè)整體，樣本數(shù)據(jù)集從根節(jié)點(diǎn)到分支的劃分都是對(duì)原始樣本數(shù)據(jù)全集中的樣本類別的自由組合....

圖4.2變量屬性與類別組合對(duì)應(yīng)關(guān)系

碩士學(xué)位論文二叉樹SVM的多分類組合評(píng)價(jià)指標(biāo)25argmax|,1argmax,2titiiiHiiHratioHXHGainXHGGG(4.2.18)其中，||max|tttiiiHHratioHXratioHXHG(4.2.19)顯然iGH。則當(dāng)前LH取值為iH下，屬性變量i....

本文編號(hào)：3916106