本文關鍵詞：一種基于SVM的降維方法在三類ROC分析中的應用，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著人工智能、大數(shù)據(jù)等技術的快速發(fā)展,機器學習迎來了發(fā)展的春天。機器學習是一門多領域的交叉學科,是人工智能研究的核心領域,不管是在工業(yè)界,還是在學術界都大家研究的熱點。機器學習理論主要目的是設計出一些算法使計算機具備自我學習的能力,通過訓練集獲取模型,并利用此模型對未知的訓練集樣本進行預測,在很多領域已經(jīng)達到甚至超越了人類的水平。在傳統(tǒng)的機器學習技術中,都是在假設樣本具有相同的類分布,且兩類錯誤代價相同的前提下的,而實際應用中數(shù)據(jù)往往是不平衡分布的,錯誤代價也是存在著天壤之別的。為了推動機器學習技術的進一步發(fā)展,我們必須重新審視傳統(tǒng)機器學習中的局限性,而衡量機器學習算法的優(yōu)劣的標準是我們優(yōu)先考慮的方向,也就是ROC分析技術。目前ROC分析技術已經(jīng)廣泛應用到了生物醫(yī)學、信號處理、機器學習等領域,但主要應用在兩類問題中,在多類問題上,ROC面臨著高維空間、表示困難、難以理解等問題。本文的主要目標是提出一種新的三分類分類器性能比較方法,用ROC曲面下的體積來比較三分類分類器的性能,從而有效的拓展ROC分析技術在三分類問題上的應用。本文需要解決的主要問題是實現(xiàn)數(shù)據(jù)的降維、形成ROC曲面以及求得ROC曲面下體積的大小。本文以支持向量機為分類工具,采用“一對余”的分類方式對三類數(shù)據(jù)進行分類,得到三個一維的數(shù)值,然后以三個分類結果為坐標軸建立空間坐標系,然后在此基礎上進行數(shù)據(jù)的降維,先將數(shù)據(jù)投影到一個三維空間平面,再將三維空間平面上的數(shù)據(jù)映射到了二維空間。通過直角支架以一定的步數(shù)遍歷二維空間上的樣本點,支架每到一個位置都會得到一個三維的點,所有的這些點就構成了所要三維ROC曲面。最后使用分塊求體積的方式求得ROC曲面下的體積,將ROC曲面分成若干個小的三棱柱,每一個小的三棱柱又可以分為三個小的三棱錐。最后,本文通過仿真數(shù)據(jù)集實驗和真實數(shù)據(jù)集實驗,結果充分驗證了本文方法的可靠性和優(yōu)越性,和傳統(tǒng)的三類ROC分析技術相比,本文方法避免了空間的高維化,具有容易表達,易于理解等優(yōu)點,和非參數(shù)法相比,本文所用體積法求VUS具有計算復雜度低的優(yōu)點。
【關鍵詞】：支持向量機(SVM) 接收機工作特性(ROC) 降維 曲面下的體積(VUS)
【學位授予單位】：廣東工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP181
【目錄】：

• 摘要4-5
• Abstract5-13
• 第一章 緒論13-19
• 1.1 研究背景13-16
• 1.2 選題的意義和研究現(xiàn)狀16-17
• 1.2.1 將ROC分析方法推廣到三類中的意義16
• 1.2.2 ROC分析方法國內外的研究現(xiàn)狀16-17
• 1.3 本文主要研究內容17-18
• 1.4 本章小結18-19
• 第二章 ROC介紹19-33
• 2.1 分類器的評價19-20
• 2.1.1 分類算法的衡量標準19
• 2.1.2 用正確率衡量分類算法的局限性19-20
• 2.2 ROC介紹20-30
• 2.2.1 ROC基礎20-23
• 2.2.2 使用ROC圖評價分類器23-28
• 2.2.3 ROC曲線下的面積28-30
• 2.3 ROC在多類中的應用30-32
• 2.4 本章小結32-33
• 第三章 支持向量機理論33-54
• 3.1 引言33
• 3.2 統(tǒng)計學習理論33-38
• 3.2.1 分類問題的統(tǒng)計學提法33-34
• 3.2.2 經(jīng)驗風險最小化原則34-35
• 3.2.3 VC維35-36
• 3.2.4 結構風險最小化原則36-38
• 3.3 線性支持向量機38-45
• 3.3.1 線性可分問題最大間隔法38-40
• 3.3.2 線性可分問題的支持向量機40-42
• 3.3.3 線性支持向量分類機42-45
• 3.4 支持向量機45-49
• 3.4.1 線性不可分問題轉化為線性可分問題45-46
• 3.4.2 非線性分類支持向量分類機46-47
• 3.4.3 核函數(shù)47-48
• 3.4.4 標準支持向量機48-49
• 3.5 支持向量機在多分類中的應用舉例49-53
• 3.5.1 一對多49-50
• 3.5.2 一對一50
• 3.5.3 一次性求解50
• 3.5.4 決策有向無環(huán)圖50-51
• 3.5.5 “糾錯編碼”方法51-52
• 3.5.6 “二叉樹”方法52-53
• 3.6 本章小結53-54
• 第四章 算法部分54-63
• 4.1 使用SVM分類器對樣本進行分類54
• 4.2 數(shù)據(jù)降維的實現(xiàn)54-58
• 4.2.1 建立空間坐標系54-55
• 4.2.2 三維空間向二維空間的轉換55-58
• 4.3 遍歷二維平面得到ROC曲面58-60
• 4.3.1 支架的轉換58-59
• 4.3.2 遍歷平面上的樣本59-60
• 4.4 計算ROC曲面下的體積60-61
• 4.5 非參數(shù)法估計VUS均值的大小61
• 4.6 本章小結61-63
• 第五章 實驗驗證及分析63-69
• 5.1 實驗一：VUS和類間距的關系驗證63-64
• 5.2 實驗二：驗證步數(shù)對體積的影響64
• 5.3 實驗三：體積法和非參數(shù)法對比64-65
• 5.4 實驗四：體積法的時間成本與步數(shù)的變化關系65-66
• 5.5 實驗五：體積法和非參數(shù)法時間復雜度對比66
• 5.6 實驗六：IRIS(鳶尾花)數(shù)據(jù)集測試66-68
• 5.7 本章小結68-69
• 總結與展望69-71
• 參考文獻71-77
• 攻讀碩士學位期間取得的研究成果77-79
• 致謝79

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 劉學謙;于宏毅;;SVM在通信信號處理中的研究與應用[J];信息工程大學學報;2013年06期

2 饒剛;劉瓊蓀;高君健;;基于灰色特征加權支持向量機的二維函數(shù)擬合[J];計算機工程與設計;2012年10期

3 包健;劉然;;用糾錯編碼改進的M-ary支持向量機多類分類算法[J];計算機應用;2012年03期

4 潘清;陳卉;馬宇晶;沙飛;;影像學診斷評價中的參數(shù)法ROC曲線分析[J];中國醫(yī)學影像技術;2011年08期

5 王艷;陳歡歡;沈毅;;有向無環(huán)圖的多類支持向量機分類算法[J];電機與控制學報;2011年04期

6 劉健;劉忠;熊鷹;;改進的二叉樹支持向量機多類分類算法研究[J];計算機工程與應用;2010年33期

7 武優(yōu)西;郭磊;柴欣;王巖;;基于優(yōu)化算法的核函數(shù)參數(shù)選擇的研究[J];計算機應用與軟件;2010年01期

8 韓毅;周晏;;基于SVM的Web文本分類[J];科技信息;2009年17期

9 王曉鋒;秦玉平;;一種新型基于二叉樹的支持向量機多類分類方法[J];鄭州輕工業(yè)學院學報(自然科學版);2008年06期

10 黃劍鋒;劉付顯;朱法順;;基于多類分類支持向量機的空襲目標識別[J];微計算機信息;2008年10期

中國碩士學位論文全文數(shù)據(jù)庫 前7條

1 李玉朵;基于SVM的人臉表情識別研究[D];河北工程大學;2012年

2 謝福民;基于支持向量機的軟測量方法及其應用研究[D];江西理工大學;2011年

3 孫慶嘉;多類支持向量機的研究與分析[D];北京交通大學;2010年

4 陳鳴;序列數(shù)據(jù)多分類問題的研究與實現(xiàn)[D];復旦大學;2010年

5 李金華;基于SVM的多類文本分類研究[D];山東科技大學;2010年

6 董鋼;支持向量機建模方法的研究[D];東北大學;2008年

7 何凱;支持向量機方法在智能醫(yī)療診斷系統(tǒng)中的應用與研究[D];浙江大學;2007年

  本文關鍵詞：一種基于SVM的降維方法在三類ROC分析中的應用，由筆耕文化傳播整理發(fā)布。

本文編號：392153