面向区间型数据的不同区间核SVM分类模型

区间型数据是属性特征取值为区间的一类数据。由于区间型数据上下界的特殊结构，传统的支持向量机无法直接对其进行处理。针对区间型数据的分类问题，本文提出了面向区间型数据的不同区间核SVM分类模型。除之前提出的高斯区间核外，该方法通过引入调节因子，均衡区间中值与区间半径之间的关系，并据此相继构造出线性区间核、多项式区间核和Sigmoid区间核，用以衡量两个区间型数据数据间的相似性，然后将多种区间核函数集成在一个分类模型中，通过选择区间核类型建立相应的区间核SVM分类模型。在人造数据集和真实数据集上的实验结果表明，GIK＿SVM的最优值最多，PIK＿SVM的平均分类精度最优，说明不同分布的数据集选择合适的区间核SVM分类模型十分重要。