基于SVM的数据挖掘分类技术研究
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·引言 | 第7页 |
| ·数据挖掘概述 | 第7-9页 |
| ·支持向量机 | 第9-10页 |
| ·研究现状 | 第9页 |
| ·方法优点 | 第9-10页 |
| ·本文研究内容及章节安排 | 第10-13页 |
| 第二章 统计学习理论 | 第13-23页 |
| ·机器学习问题的基本问题 | 第13-17页 |
| ·机器学习问题的数学表示 | 第13-15页 |
| ·复杂性与推广能力 | 第15-17页 |
| ·统计学习理论 | 第17-21页 |
| ·经验风险最小化与学习的一致性 | 第17-18页 |
| ·VC维 | 第18-19页 |
| ·泛化能力的界 | 第19-20页 |
| ·结构风险最小化 | 第20-21页 |
| ·本章小结 | 第21-23页 |
| 第三章 支持向量机 | 第23-35页 |
| ·支持向量机的发展历史 | 第23-24页 |
| ·支持向量机的原理 | 第24-29页 |
| ·最优分类面 | 第24-26页 |
| ·广义最优分类面 | 第26-28页 |
| ·核函数 | 第28-29页 |
| ·支持向量机的主要研究内容 | 第29-33页 |
| ·各种支持向量机新算法的研究 | 第30页 |
| ·支持向量机模型选择的研究 | 第30页 |
| ·海量数据优化算法的研究 | 第30-31页 |
| ·支持向量机多类别分类方法的研究 | 第31-33页 |
| ·本章小节 | 第33-35页 |
| 第四章 多值分类支持向量机研究 | 第35-47页 |
| ·用多个二值分类器实现多值分类 | 第35-37页 |
| ·“一对多”型支持向量机多值分类器 | 第35-36页 |
| ·“一对一”型支持向量机多值分类器 | 第36-37页 |
| ·层次型多值分类支持向量机 | 第37-39页 |
| ·基于有向无环图的多分类支持向量机 | 第37-38页 |
| ·基于二叉树的多分类支持向量机 | 第38-39页 |
| ·基于相对分离度的二叉树多分类支持向量机 | 第39-43页 |
| ·类间相对分离度 | 第41-42页 |
| ·算法描述 | 第42-43页 |
| ·实验与分析 | 第43-45页 |
| ·本章小节 | 第45-47页 |
| 第五章 支持向量机增量学习研究 | 第47-55页 |
| ·支持向量特性分析 | 第47-49页 |
| ·常用增量学习方法 | 第49-51页 |
| ·固定划分增量学习算法 | 第49-50页 |
| ·错误驱动增量学习算法 | 第50页 |
| ·增量学习算法的比较 | 第50-51页 |
| ·新的SVM增量学习算法 | 第51-52页 |
| ·实验与分析 | 第52-53页 |
| ·本章小节 | 第53-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-64页 |
| 在读期间发表的论文 | 第64-65页 |
