数据挖掘中的支持向量机方法的研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题研究的背景和意义 | 第9-10页 |
| 1.2 SVM的研究与进展 | 第10-12页 |
| 1.2.1 SVM的产生 | 第10页 |
| 1.2.2 SVM预处理方法简介 | 第10页 |
| 1.2.3 有关SVC算法的研究 | 第10-11页 |
| 1.2.4 有关SVR算法的研究 | 第11-12页 |
| 1.2.5 SVM的应用研究 | 第12页 |
| 1.3 主要研究内容及创新 | 第12-13页 |
| 1.3.1 研究的目的和意义 | 第12页 |
| 1.3.2 本文的研究内容及创新 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-14页 |
| 第2章 SVM及其理论基础 | 第14-30页 |
| 2.1 最优化理论 | 第14-17页 |
| 2.1.1 KKT条件 | 第14-15页 |
| 2.1.2 Lagrange对偶 | 第15-16页 |
| 2.1.3 Wolfe对偶 | 第16-17页 |
| 2.2 统计学习理论 | 第17-19页 |
| 2.2.1 经验风险 | 第17-18页 |
| 2.2.2 VC维 | 第18页 |
| 2.2.3 结构风险 | 第18-19页 |
| 2.3 SVC | 第19-26页 |
| 2.3.1 最优分类超平面 | 第20-21页 |
| 2.3.2 线性SVC | 第21-23页 |
| 2.3.3 非线性SVC | 第23-24页 |
| 2.3.4 SV | 第24-25页 |
| 2.3.5 核函数 | 第25-26页 |
| 2.4 SVR | 第26-29页 |
| 2.4.1 损失函数 | 第26-28页 |
| 2.4.2 SVR | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于边界向量的SVC的调节熵函数法 | 第30-39页 |
| 3.1 预抽取边界向量 | 第30-31页 |
| 3.1.1 线性可分情况下 | 第30页 |
| 3.1.2 非线性可分情况下 | 第30-31页 |
| 3.2 SVC的调节熵函数 | 第31-35页 |
| 3.2.1 无约束SVC模型 | 第31-32页 |
| 3.2.2 SVC的调节熵函数法 | 第32-34页 |
| 3.2.3 基于边界向量的SVC的调节熵函数法 | 第34-35页 |
| 3.3 数值实验 | 第35-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 基于边界向量的SVR的调节熵函数法 | 第39-51页 |
| 4.1 预抽取边界向量 | 第39-41页 |
| 4.2 无约束SVR模型 | 第41-44页 |
| 4.3 SVR的调节熵函数法 | 第44-45页 |
| 4.4 基于预抽取边界向量的SVR的调节熵函数法 | 第45-46页 |
| 4.5 数值实验 | 第46-50页 |
| 4.6 本章小结 | 第50-51页 |
| 总结 | 第51-53页 |
| 参考文献 | 第53-58页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第58-59页 |
| 致谢 | 第59页 |
