面向支持向量機(jī)的特征約簡(jiǎn)研究.pdf

1、支持向量機(jī)(Support Vector Machines，SVM)是一種高效的分類方法。支持向量機(jī)雖然能克服維數(shù)災(zāi)難問題，但如果直接使用原始數(shù)據(jù)集對(duì)其進(jìn)行訓(xùn)練，可能因?yàn)橛?jì)算量大而導(dǎo)致訓(xùn)練無法進(jìn)行，也可能使分類器精度達(dá)不到理想的效果。在現(xiàn)代生物和醫(yī)學(xué)等應(yīng)用領(lǐng)域，數(shù)據(jù)集的維數(shù)常常達(dá)上千維甚至更高，而樣本集的大小卻有限，支持向量機(jī)的學(xué)習(xí)效果可能不會(huì)很理想，而且計(jì)算時(shí)間比較長(zhǎng)。
　　 對(duì)于分類目標(biāo)，原始數(shù)據(jù)集的部分特征或是不相關(guān)的或冗

2、余的，甚至是噪聲，對(duì)這些特征進(jìn)行約簡(jiǎn)不會(huì)降低分類精度。特征約簡(jiǎn)對(duì)于分類器的構(gòu)造至關(guān)重要，挑選一組對(duì)分類有影響或影響很大的特征，可以限制分類器特征的個(gè)數(shù)，從而改善分類精度，加快學(xué)習(xí)模型的構(gòu)建時(shí)間，而且從少量的特征集得到的分類模型更加易于理解。目前，關(guān)于特征約簡(jiǎn)的方法較多，常用的方法大多基于關(guān)聯(lián)度、信息增益和F-score。對(duì)于支持向量機(jī)的分類精度來說，這些約簡(jiǎn)方法的效果如何沒有系統(tǒng)比較。
　　 在研究上述三種特征約簡(jiǎn)方法的基礎(chǔ)上，