用于数据挖掘的支持向量机算法研究
| 中文摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 引言 | 第9-10页 |
| 第二章 数据挖掘综述 | 第10-20页 |
| ·理论背景 | 第10-11页 |
| ·系统结构 | 第11-13页 |
| ·任务分类 | 第13-14页 |
| ·常用方法 | 第14-18页 |
| ·符号运算 | 第15页 |
| ·统计理论 | 第15-16页 |
| ·计算智能 | 第16-17页 |
| ·集成方法 | 第17-18页 |
| ·研究现状 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 第三章 支持向量机模型 | 第20-33页 |
| ·统计学习理论 | 第20-24页 |
| ·机器学习问题 | 第20-21页 |
| ·经验风险最小化 | 第21页 |
| ·过拟合与泛化 | 第21-22页 |
| ·Vapnik-Chevonenkis理论 | 第22页 |
| ·结构风险最小化 | 第22-24页 |
| ·支持向量机原理 | 第24-26页 |
| ·二值分类问题 | 第24-25页 |
| ·最优分类超平面 | 第25页 |
| ·线性支持向量机 | 第25-26页 |
| ·核函数方法 | 第26-29页 |
| ·特征映射与核函数 | 第26-27页 |
| ·非线性支持向量机 | 第27-28页 |
| ·Mercer条件及常用核 | 第28-29页 |
| ·核函数的存在性 | 第29页 |
| ·软间隔优化 | 第29-32页 |
| ·软间隔方法 | 第30页 |
| ·一阶软间隔 | 第30-31页 |
| ·广义支持向量机模型 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第四章 实现技术 | 第33-41页 |
| ·学习算法 | 第33-38页 |
| ·停机准则 | 第33-34页 |
| ·启发式算法 | 第34-36页 |
| ·序贯最小优化 | 第36-38页 |
| ·多值问题 | 第38-40页 |
| ·组合方法 | 第38-39页 |
| ·支持向量机决策树 | 第39页 |
| ·全局优化 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第五章 支持向量分类 | 第41-51页 |
| ·Mercer核性能分析 | 第41-43页 |
| ·实验设计 | 第41-42页 |
| ·实验结果分析 | 第42-43页 |
| ·小波支持向量机 | 第43-46页 |
| ·小波简介 | 第43-44页 |
| ·小波核函数 | 第44-45页 |
| ·性能分析实验 | 第45-46页 |
| ·Internet广告识别任务 | 第46-50页 |
| ·实验设计 | 第46-47页 |
| ·实验结果 | 第47-48页 |
| ·分析与讨论 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 第六章 支持向量回归 | 第51-60页 |
| ·模型及算法 | 第51-53页 |
| ·回归分析简介 | 第51-52页 |
| ·支持向量回归机 | 第52-53页 |
| ·学习算法 | 第53页 |
| ·性能分析实验 | 第53-57页 |
| ·实验设计 | 第53-54页 |
| ·结果分析 | 第54-57页 |
| ·房价预测分析 | 第57-59页 |
| ·实验设计 | 第57-58页 |
| ·结果分析 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 第七章 性能优化 | 第60-71页 |
| ·目的与手段 | 第60-62页 |
| ·传统优化方法 | 第60页 |
| ·遗传算法简介 | 第60-62页 |
| ·技术问题 | 第62页 |
| ·方案和流程 | 第62-66页 |
| ·编码规范 | 第63页 |
| ·适应度函数 | 第63-64页 |
| ·算子设计 | 第64-65页 |
| ·流程定制 | 第65-66页 |
| ·数值实验 | 第66-70页 |
| ·实验设计 | 第66页 |
| ·实验结果 | 第66-69页 |
| ·分析与讨论 | 第69-70页 |
| ·本章小结 | 第70-71页 |
| 第八章 结论 | 第71-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 攻硕期间取得的研究成果 | 第79页 |
