基于决策树的支持向量机多类分类方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 选题背景及意义 | 第8-9页 |
| 1.2 支持向量机算法和多类分类方法研究现状 | 第9-10页 |
| 1.2.1 支持向量机算法的主要研究进展 | 第9页 |
| 1.2.2 支持向量机多类分类研究进展 | 第9-10页 |
| 1.3 主要研究内容 | 第10-11页 |
| 1.4 论文组织结构 | 第11-12页 |
| 第二章 基础理论及相关知识 | 第12-23页 |
| 2.1 统计学习理论 | 第12-14页 |
| 2.1.1 监督学习 | 第12-13页 |
| 2.1.2 经验风险和结构化风险 | 第13-14页 |
| 2.2 支持向量机分类算法 | 第14-18页 |
| 2.2.1 支持向量机概述 | 第14-15页 |
| 2.2.2 线性支持向量机 | 第15-17页 |
| 2.2.3 非线性支持向量机 | 第17-18页 |
| 2.2.4 核函数 | 第18页 |
| 2.3 现有的支持向量机多类分类方法 | 第18-22页 |
| 2.3.1 一对余方法 | 第18-19页 |
| 2.3.2 一对一方法 | 第19-20页 |
| 2.3.3 有向无环图 | 第20-21页 |
| 2.3.4 决策树方法 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 改进的基于决策树的支持向量机多类分类方法 | 第23-32页 |
| 3.1 概述 | 第23页 |
| 3.2 提出的新多类分类方法 | 第23-32页 |
| 3.2.1 类间分离性测度 | 第24-27页 |
| 3.2.2 训练和分类策略 | 第27-29页 |
| 3.2.3 训练和分类过程 | 第29-32页 |
| 第四章 实验及结果分析 | 第32-38页 |
| 4.1 实验平台介绍 | 第32页 |
| 4.2 工具包介绍 | 第32页 |
| 4.3 参数选择 | 第32-34页 |
| 4.3.1 核函数参数、惩罚因子 | 第32-33页 |
| 4.3.2 阈值a以及K最近邻近算法中的参数k | 第33-34页 |
| 4.4 实验内容与分析 | 第34-37页 |
| 4.5 本章小结 | 第37-38页 |
| 第五章 多类分类在手写体数字识别中的应用 | 第38-45页 |
| 5.1 概述 | 第38页 |
| 5.2 手写体数字识别过程 | 第38-39页 |
| 5.3 手写体数字识别难点 | 第39页 |
| 5.4 基于决策树的支持向量机多类分类方法应用 | 第39页 |
| 5.5 实例数据集来源 | 第39-41页 |
| 5.6 实验内容与分析 | 第41-44页 |
| 5.7 本章小结 | 第44-45页 |
| 结论 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 致谢 | 第49页 |
