大样本的线性可分支持向量机算法
摘要 | 第3-4页 |
ABSTRACT | 第4-5页 |
1 绪论 | 第8-12页 |
1.1 机器学习和分类算法的研究现状 | 第8-9页 |
1.2 研究的意义及内容 | 第9-10页 |
1.3 论文的组织结构 | 第10-12页 |
2 分类学习 | 第12-19页 |
2.1 分类的理论基础 | 第12-14页 |
2.2 常用分类算法 | 第14-18页 |
2.2.1 决策树 | 第14-15页 |
2.2.2 感知机 | 第15-17页 |
2.2.3 支持向量机 | 第17-18页 |
2.3 小结 | 第18-19页 |
3 支持向量机概述及学习算法 | 第19-25页 |
3.1 支持向量机理论背景 | 第19-22页 |
3.1.1 支持向量机概述 | 第19-21页 |
3.1.2 支持向量 | 第21-22页 |
3.2 支持向量机的学习策略 | 第22-24页 |
3.2.1 线性可分支持向量机 | 第22页 |
3.2.2 支持向量机的学习算法——SMO算法 | 第22-24页 |
3.3 小结 | 第24-25页 |
4 线性可分支持向量机的分组算法 | 第25-28页 |
4.1 大数据的应用分析 | 第25页 |
4.2 支持向量机算法的分类应用分析 | 第25-26页 |
4.3 线性可分支持向量机分组算法的分类原理 | 第26页 |
4.4 线性可分支持向量机分组算法的具体步骤 | 第26-27页 |
4.4.1 随机分组算法 | 第26-27页 |
4.4.2 分组训练算法 | 第27页 |
4.5 小结 | 第27-28页 |
5 错分样本数据集的预选算法 | 第28-31页 |
5.1 大样本数据集的筛选原理 | 第28-29页 |
5.2 错分样本数据集的筛选算法步骤 | 第29-30页 |
5.3 小结 | 第30-31页 |
6 算法检验 | 第31-35页 |
6.1 鸢尾花数据检验 | 第31-33页 |
6.2 模拟数据检验 | 第33-35页 |
7 总结与展望 | 第35-36页 |
7.1 本文总结 | 第35页 |
7.2 展望 | 第35-36页 |
致谢 | 第36-37页 |
参考文献 | 第37-40页 |
附录 | 第40页 |
A.作者在攻读硕士学位期间发表的论文目录 | 第40页 |
B.作者在攻读学位期间取得的科研成果目录 | 第40页 |