1. 研究目的与意义（文献综述包含参考文献）
（一）研究背景支持向量机[1]（support vector machine)是vapnik等人提出的一类新型机器学习方法。
它建立在统计学习理论基础之上，能够较好地解决小样本、高维数、非线性和局部最小点等实际问题[2]。
由于其出色的学习性能，该技术已成为继神经网络之后新的研究热点，并在很多领域得到了成功的应用，如人脸检测、文本自动分类、字符识别等。
剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！
2. 研究的基本内容、问题解决措施及方案
支持向量机方法在正负样本量不对称的情况下，分类超平面会发生偏移，本课题主要研究和解决的问题是对常见的、经典的方法做出梳理并对现有的改进方法进行调研，有条理、有逻辑的对知识进行梳理和再表达。
1.基于svm 的不平衡数据分类对于给定的大小为的训练样本集为相应的类别标记。
训练样本线性不可分时，通过引入以非线性映射将训练数据集映射到一个高维线性特征空间，并在这个维数可能无穷大的线性空间中构造分类超平面，得到分类器的判别函数。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
