支持向量机完整版.pptx

支持向量机;支持向量机;1.引言 1.1.支持向量机提出的背景;1.1.支持向量机提出的背景;1.1.支持向量机提出的背景及意义;1.1.支持向量机提出的背景;引言 支持向量机提出的背景 支持向量机发展现状 支持向量机现在存在的问题 支持向量机基本原理及特点 支持向量机训练算法 新型支持向量机 展望 应用举例;1.2支持向量机发展现状;1.2.支持向量机发展现状;1.2.支持向量机发展现状;1.2.支持向量机发展现状四种训练算法;支持向量机;1.3.支持向量机现在存在的问题;1.3.支持向量机现在存在的问题;1.3.支持向量机现在存在的问题;支持向量机;2.支持向量机基本原理;2.支持向量机的特点;2.支持向量机的特点;支持向量机;3.支持向量机训练算法;3.支持向量机训练算法;3.支持向量机训练算法;3.支持向量机训练算法;3.支持向量机训练算法;3.支持向量机训练算法;3.支持向量机训练算法;3.支持向量机训练算法;3.支持向量机训练算法;3.支持向量机训练算法;3.支持向量机训练算法;3.支持向量机训练算法;3.支持向量机训练算法;3.支持向量机训练算法;3.支持向量机训练算法;3.支持向量机训练算法;3.支持向量机训练算法;3.支持向量机训练算法;3.支持向量机训练算法;3.支持向量机训练算法;3.支持向量机训练算法;3.支持向量机训练算法;支持向量机;4.支持向量机应用;4.支持向量机应用;4.支持向量机应用;4.支持向量机应用;4.支持向量机应用;4.支持向量机应用;支持向量机;5.展望;5.展望;支持向量机;6.应用举例 基于免疫优化的支持向量机文本分类算法;6.基于免疫优化的支持向量机文本分类算法 改进的支持向量机算法步骤描述 根据免疫算法的原理，基于免疫算法的SVM参数优化过程具体如下如下: 输入目标函数和约束条件作为抗原; 抗体编码。对于N 个文本文件，则将各文本文件序号随机排列形成一个抗体，这样一个抗体表示分类问题的一个解。在本算法中N的最大取值为 500( 文件数) ; 产生初始抗体;;6.基于免疫优化的支持向量机文本分类算法;6.基于免疫优化的支持向量机文本分类算法;6.基于免疫优化的支持向量机文本分类算法 基于免疫算法的SVM 在文本分类中应用： 实验使用的文本集资料来源于人民日报网站，共选???1000 篇共 6 个类别，其中 800 篇作为训练样本，200 篇作为测试样本，训练样本、测试样本的分布情况如表 1。;6.基于免疫优化的支持向量机文本分类算法 为了验证算法的有效性和正确性，采用遗传算法和未优化的支持向量机作对比实验，采用 10 折交叉验证方法。所在实验在Matlab 6． 5 平台下实现，遗传算法使用Matlab 中遗传算法工具箱，编码形式为二进制，种群规模s = 20，选择方式采用精英策略，交叉率 pc= 0． 8，变异率pm= 0． 02，算法最大进化代数为 50，几种算法的分类结果见表 2。;6.基于免疫优化的支持向量机文本分类算法 由表2 我们可以看出，在所有的算法中，本文提出的参数优优化算法学习时间最少，同时分类的正确率也是最高的。;6.基于免疫优化的支持向量机文本分类算法 图 2 为本文提出的免疫算法及遗传算法寻优过程。相对于遗传算法来说，在整个参数搜索过程中，本文的免疫算每次进化运行的结果均要好，本文在第 120 代达到最优点，而遗传算法只到第 220 代才达到最优。同时本文提出的免疫算法的分类正确率比遗传算法高出 3%，这表明本文的免疫算法收敛速度加快，克服了遗传算法易陷入局部最优的缺 陷，其分类的正确率相应提高。;6.基于免疫优化的支持向量机文本分类算法;谢谢！！