資源描述：
《基于svm算法的分類器設(shè)計(jì)論文》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、基于SVM算法的分類器設(shè)計(jì)搖光摘要：本篇論文介紹了SVM分類器的設(shè)計(jì)原理，基本思想，對于線性可分和線性不可分有具體的實(shí)驗(yàn)步驟和設(shè)計(jì)的原理基礎(chǔ)，以及該分類器在現(xiàn)實(shí)中應(yīng)用。對SVM算法的線性和非線性分類進(jìn)行實(shí)驗(yàn)研究，其具體算法代碼川Matlab代碼來實(shí)現(xiàn)。實(shí)驗(yàn)結(jié)果表明，SVM將平如內(nèi)具冇線性可分的點(diǎn)，在平謝內(nèi)找到一個(gè)可以劃分的分界線，對平而內(nèi)的點(diǎn)進(jìn)行劃分，這些點(diǎn)分別位于分隔線的兩側(cè)。若平面內(nèi)的點(diǎn)是線性不可分，則SVM會(huì)將平而內(nèi)的點(diǎn)映射到到更萵維度，在離維空間中找到劃分所需要的分界線，然后再應(yīng)用線性可分的情況的方法進(jìn)行分類。關(guān)鍵詞：句S:機(jī)；線性吋分；線性不可分；
2、最大間隔引言在現(xiàn)實(shí)中，我們會(huì)遇到一些分類的問題，比如，將平面上的點(diǎn)分為兩類。如果，這個(gè)問題，對于在線性可分的情況下，我們可以直接用SVM算法對平而上的點(diǎn)進(jìn)行劃分，然而，并非所有的點(diǎn)都是線性可分的，那么，當(dāng)我們遇到這樣的問題時(shí)，我們又該怎么辦呢？這就盂要對特征空間進(jìn)行降維，通過某種映射，我們可以將平臺(tái)上的點(diǎn)映射到其他的空間，例如，球而或者其他立體區(qū)域。這樣，我們可以很容易的在某他另外一個(gè)空間找到我們所需要得到“分界線”來將這些待分類的點(diǎn)進(jìn)行劃分。這基本上就是SVM分類器的設(shè)計(jì)原理和基本思想。若待分類的點(diǎn)是線性不可分，SVM通常將將待分類的點(diǎn)映射到某些高維空間，
3、在髙維空問找到能將這些點(diǎn)劃分的“超平面”，然后對待分類的點(diǎn)進(jìn)行劃分。1實(shí)驗(yàn)方案1.1實(shí)驗(yàn)?zāi)康囊訫atlab為實(shí)驗(yàn)的開發(fā)平臺(tái)，使用Libsvm工具箱設(shè)計(jì)出一個(gè)SVM分類器，并用公共數(shù)據(jù)庫中現(xiàn)存的數(shù)據(jù)集為訓(xùn)練樣例和測試樣例，采用最優(yōu)的方法的參數(shù)訓(xùn)練出分類器，并且用設(shè)計(jì)出的SVM分類器進(jìn)行測試。1.2分類標(biāo)準(zhǔn)的起源：logistic回歸在對待分類點(diǎn)進(jìn)行劃分時(shí)，我們會(huì)得到一個(gè)二維平面，平而內(nèi)有不同的點(diǎn)，如圖1.1.1所示，這些點(diǎn)有紅色的，也有綠色的,還有一條藍(lán)色的線。這條線可以看成是一個(gè)“分界線”也就是所謂的“超平面”。如何用這條藍(lán)色的線將紅色的點(diǎn)和綠色的點(diǎn)進(jìn)行劃分
4、出來？平而內(nèi)待分類的點(diǎn)用x表示,所要?jiǎng)澐值念悇e用y表示，?（這里y可以取1或者-1,分別代表兩個(gè)不同的類別），本次SVM分類器沒計(jì)的實(shí)FI標(biāo)是在平面內(nèi)找到一個(gè)“分界線”也就是所謂的“超平而”，將平而內(nèi)的點(diǎn)x進(jìn)行分類。而這個(gè)超平而的方程可以表示為（wT中的T代表轉(zhuǎn)置）：wTx+b=0（這個(gè)1或-1的分類標(biāo)準(zhǔn)源于logistic冋歸）。Logistic冋歸得目的是從特征學(xué)習(xí)fli一個(gè)0/1的分類模型，而這個(gè)模型則是將特性的線性組合作為自變量，因自變垃的取值范圍是從負(fù)無窮到正無窮。因此，使用logistic函數(shù)（或稱作sigmoid函數(shù)）將自變量映射到（0，1）上
5、，映射后的值被認(rèn)為是屬于y=l的概鑾。假設(shè)函數(shù)：hex）='其中x是n維特征向量，函數(shù)g就是logistic6函數(shù)。而沁）1圖1.1g(z)函數(shù)圖像P(s=1Ix
