支持向量機是人工智能領(lǐng)域中機器學(xué)習(xí)算法中的一種監(jiān)督學(xué)習(xí)算法,該算法通過映射,使低維樣本數(shù)據(jù)在映射到高維特征空間一個超平面將兩類樣本數(shù)據(jù)分開。傳統(tǒng)支持向量機僅解決二分類問題,對于多分類問題,將多分類問題轉(zhuǎn)化成多個二分類問題,集成多個二分類支持向量機構(gòu)成多分類支持向量機�；诙鏄涞慕M合型多分類支持向量機具有需訓(xùn)練的二分類SVM個數(shù)少的優(yōu)點,避免了一對多、多對多方法的不可分、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保證每一個樣本類別為一個整體的特點,目前已提出了的基于組合型多分類支持向量機二叉樹結(jié)構(gòu)的構(gòu)造方法缺乏類別組合具體評價標準。本文針對基于二叉樹的多分類支持向量機構(gòu)造過程中,結(jié)構(gòu)的類別組合方式缺乏類別組合評價標準的問題,為保證每一個樣本類別為一個整體的前提,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)評價模型,提出了基于分類屬性IG比的多分類支持向量機結(jié)構(gòu)評價方法。該方法在二叉樹結(jié)構(gòu)構(gòu)造過程中,對于多個細分類組合成的左右兩個大類別,計算每種可能的組合依賴...

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【部分圖文】：

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

支持向量機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。盡管支持向量機訓(xùn)練較其他分類器來得慢，但其對復(fù)雜的非線性邊界的建模能力較強，使得它們的分類效果較為準確。在模型訓(xùn)練的過程中，較與其他模型，支持向量機不太容易過度擬....

圖2.2多分類支持向量機二叉樹結(jié)構(gòu)

類支持向量機碩士學(xué)位論文10對于n維樣本數(shù)據(jù)，支持向量機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應(yīng)的其余類，即兩分類問題。為解決多分類問題，將多個二值SVM組合形成組合型多分類支持向量機。組合型多分類支持....

圖4.1二叉樹支持向量機結(jié)構(gòu)圖

4基于分類屬性信息增益比的結(jié)構(gòu)評價方法碩士學(xué)位論文204基于分類屬性信息增益比的結(jié)構(gòu)評價方法構(gòu)造多分類支持向量機的二叉樹與傳統(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)集的類別看做一個整體，樣本數(shù)據(jù)集從根節(jié)點到分支的劃分都是對原始樣本數(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應(yīng)關(guān)系

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

本文編號：3916106