支持向量机在大规模数据中的应用研究
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-14页 |
| ·支持向量机模型的研究现状与进展 | 第9-11页 |
| ·现有的支持向量机软件或程序 | 第11-12页 |
| ·本文研究内容与组织结构 | 第12-14页 |
| ·本文的研究内容 | 第12页 |
| ·本文结构的安排 | 第12-14页 |
| 第2章 支持向量机理论基础和模型 | 第14-28页 |
| ·统计学习理论 | 第14-16页 |
| ·分类问题的统计学提法和经验风险最小化 | 第14-15页 |
| ·Vapnik-Chervonenkis维 | 第15页 |
| ·结构风险最小化原则 | 第15-16页 |
| ·支持向量机 | 第16-26页 |
| ·SVM中的数学优化模型 | 第16-18页 |
| ·最大间隔超平面 | 第18-21页 |
| ·非线性支持向量机 | 第21-22页 |
| ·SVM是SRM的一个算法实现 | 第22-24页 |
| ·核理论 | 第24-26页 |
| ·支持向量 | 第26页 |
| ·本章小结 | 第26-28页 |
| 第3章 核技巧与模型参数的选择 | 第28-39页 |
| ·核技巧 | 第28-29页 |
| ·核函数的选择 | 第29-32页 |
| ·常用的核函数介绍 | 第29-30页 |
| ·核函数的构造 | 第30-32页 |
| ·分类器性能评估指标 | 第32-34页 |
| ·单个分类器的评价 | 第32-33页 |
| ·两个分类器的比较 | 第33-34页 |
| ·参数的选择 | 第34-35页 |
| ·实验结果及分析 | 第35-38页 |
| ·实验平台和数据 | 第35-36页 |
| ·实验结果分析 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 第4章 数据预处理和聚类分析 | 第39-53页 |
| ·数据质量和预处理方法 | 第39-41页 |
| ·数据清洗 | 第39-40页 |
| ·数据归约 | 第40页 |
| ·数据变换 | 第40-41页 |
| ·聚类算法 | 第41-43页 |
| ·划分法 | 第42页 |
| ·层次法 | 第42页 |
| ·密度法 | 第42页 |
| ·网格法 | 第42-43页 |
| ·模型法 | 第43页 |
| ·大规模数据集支持向量机 | 第43-45页 |
| ·选块算法 | 第44页 |
| ·聚类算法与SVM结合 | 第44-45页 |
| ·网格化聚类的支持向量机 | 第45-48页 |
| ·网格化支持向量机算法 | 第46-47页 |
| ·网格化支持向量机流程 | 第47-48页 |
| ·分段支持向量机 | 第48-50页 |
| ·分段支持向量机算法 | 第48-49页 |
| ·分段支持向量机流程 | 第49-50页 |
| ·实验结果及分析 | 第50-52页 |
| ·实验平台和数据 | 第50-51页 |
| ·实验结果分析 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 第5章 总结与展望 | 第53-54页 |
| ·本文总结 | 第53页 |
| ·未来工作展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58页 |
