隨著信息時代的飛速發(fā)展,各種數(shù)據(jù)呈現(xiàn)出爆炸式的增長態(tài)勢。同時,數(shù)據(jù)形式也變得復雜且多樣,給以機器學習為核心技術(shù)的數(shù)據(jù)挖掘帶來了極大的挑戰(zhàn)。其中,數(shù)據(jù)的海量性和數(shù)據(jù)的非平衡性是數(shù)據(jù)的兩類重要特性。大規(guī)模數(shù)據(jù)具有數(shù)據(jù)量特別大或數(shù)據(jù)類別特別多的特點,這導致傳統(tǒng)機器學習方法在處理大規(guī)模數(shù)據(jù)時需要消耗大量的時間,效率低下,特別是在資源受限的情況下。非平衡數(shù)據(jù)主要表現(xiàn)為樣本數(shù)量的顯著不平衡性。傳統(tǒng)的機器學習模型無法高效地區(qū)分少數(shù)類樣本,甚至無法識別少數(shù)類樣本。目前,針對數(shù)據(jù)的大規(guī)模性和非平衡性,許多學者已經(jīng)提出了一些相關(guān)的解決方法,但仍然存在一定的局限。一是大規(guī)模數(shù)據(jù)分類的時間消耗仍然較大;二是非平衡數(shù)據(jù)分類的綜合性能較差,即少數(shù)類樣本的分類準確率較低,且會影響多數(shù)類樣本的分類準確率。因此,對于大規(guī)模非平衡數(shù)據(jù)的建模方法研究仍具有重要的應(yīng)用價值。本文以支持向量機模型（Support Vector Machine,SVM）為基礎(chǔ)學習模型,結(jié)合動態(tài)粒度劃分方法,分別對大規(guī)模數(shù)據(jù)和非平衡數(shù)據(jù)的建模開展研究,主要工作包括以下內(nèi)容。（1）對于大規(guī)模數(shù)據(jù)分類問題,提出一種采用劃分融合雙向控制的粒度支持向量機方... 

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【文章目錄】：
中文摘要
ABSTRACT
第一章 引言
    1.1 研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文的主要內(nèi)容
    1.4 論文結(jié)構(gòu)
第二章 背景知識
    2.1 支持向量機
    2.2 粒度支持向量機
    2.3 SMOTE過采樣方法
    2.4 本章小結(jié)
第三章 采用劃分融合雙向控制的粒度支持向量機
    3.1 DFSVM算法
        3.1.1 DFSVM算法原理
        3.1.2 DFSVM算法步驟
    3.2 實驗結(jié)果及分析
        3.2.1 實驗環(huán)境及數(shù)據(jù)
        3.2.2 實驗結(jié)果及分析
    3.3 本章小結(jié)
第四章 結(jié)合SMOTE采樣的非平衡粒度支持向量機
    4.1 CSGSVM算法
        4.1.1 CSGSVM算法原理
        4.1.2 CSGSVM算法步驟
    4.2 實驗結(jié)果及分析
        4.2.1 實驗環(huán)境及數(shù)據(jù)
        4.2.2 實驗結(jié)果及分析
    4.3 本章小結(jié)
第五章 總結(jié)與展望
參考文獻
攻讀學位期間取得的研究成果
致謝
個人簡況及聯(lián)系方式


【參考文獻】：
期刊論文
[1]基于知識語義權(quán)重特征的樸素貝葉斯情感分類算法[J]. 冀俊忠,張玲玲,吳晨生,吳金源.  北京工業(yè)大學學報. 2014(12)
[2]動態(tài)粒度支持向量回歸機[J]. 郭虎升,王文劍.  軟件學報. 2013(11)
[3]聚類邊界過采樣不平衡數(shù)據(jù)分類方法[J]. 樓曉俊,孫雨軒,劉海濤.  浙江大學學報(工學版). 2013(06)
[4]粒度支持向量機學習模型[J]. 王文劍,郭虎升.  山西大學學報(自然科學版). 2009(04)



本文編號：3670948