基于不确定性采样的自训练代价敏感支持向量机研究

针对样本集中的类不平衡性和样本标注代价昂贵问题,提出基于不确定性采样的自训练代价敏感支持向量机.不确定性采样通过支持向量数据描述评价未标注样本的不确定性,对不确定性高的未标注样本进行标注,同时利用自训练方法训练代价敏感支持向量,代价敏感支持向量机利用代价参数和核参数对未标注样本进行预测.实验结果表明:该算法能有效地降低平均期望误分类代价,减少样本集中样本需要标注次数.     

代价敏感的直推式支持向量机算法

针对不均衡数据集下分类超平面偏移导致直推式支持向量机样本标记准确率低的问题,结合动态代价和TSVM算法,提出一种代价敏感的TSVM算法,该算法依据类样本的空间分布信息计算类错分代价,利用KKT条件选择对当前分类超平面有影响的样本加入下一轮迭代,该算法可以提高初始分类器的分类性能,减少错误的传递和累积,从而提高标注准确率,增强最后分类器的泛化性能.最后在UCI数据集上的实验结果表明该算法在不均衡数据集下的有效性.     

基于区域标记法的代价敏感支持向量机在股票预测中的研究

针对传统股票预测中单点标记法的缺陷,提出了区域标记法,区域标记法可以为训练分类器提供更多有用信息,在一定程度上减轻了类别不平衡的问题,也更能满足实际任务的需求.同时,构建了一个RCS-Trader模型,该模型使用了代价敏感的支持向量机和FS度量进行优化,相比于传统股票预测方法,RCS-Trader模型的效果更好,投资回报率更高.     

不同误分代价的支持向量机分类器

提出一种区分不同类别误分代价的支持向量杌模型，建立了拉格朗日方程，利用KKT条件推导出其对偶形式．该模型能够让用户标记不同类别样本的重要性，并根据重要性程度设定不同的误分代价，使重要类别的样本尽量减少被误分的可能性，以满足特定任务的需求．实验结果表明，该模型可以很好地完成特定任务的分类．     

不同误分代价的支持向量机分类器

提出一种区分不同类别误分代价的支持向量机模型,建立了拉格朗日方程,利用KKT条件推导出其对偶形式.该模型能够让用户标记不同类别样本的重要性,并根据重要性程度设定不同的误分代价,使重要类别的样本尽量减少被误分的可能性,以满足特定任务的需求.实验结果表明,该模型可以很好地完成特定任务的分类.     

基于总间隔与代价差异算法的支持向量机

针对支持向量机在实际应用中存在的最优分类超平面的倾斜问题和推广误差界的问题,引入了总间隔与代价差异算法,对标准的支持向量机算法进行了改进.同时,针对线性和非线性两种情况,给出了详细的公式推导过程,并得出结论:基于总间隔与代价差异算法的支持向量机的性能优于标准的支持向量机.     

基于支持向量机的信用评估模型及风险评价

运用基于支持向量机理来建立一个新的个人信用评估预测模型,以期取得更好的预测分类能力.并对SVM分类结果与三层全连接BPN分类结果进行了比较.结果表明,在判别潜在的贷款申请者中支持向量的判别结果比神经网络的要好.为了减小训练集偏差及为了验证两种方法的鲁棒性,基于两种策略(平衡样本与非平衡样本)交叉验证来进一步评价SVM分类准确性,并对两种方法基于两种策略的误分类作了风险代价分析.     

粒度支持向量机学习模型

粒度支持向量机(Granular Support Vector Machine,GSVM)是以粒度计算理论和统计学习理论为基础的一种新的机器学习模型,它可以有效地克服传统支持向量机(Support Vector Machine,SVM)对于大规模数据集训练效率低下的问题,同时也可获得较好的泛化性能.文章针对原空间的GSVM模型进行了分析,提出了核空间的GSVM学习模型,在标准数据集上的实验说明了文中提出模型的有效性.     

基于支持向量机的任务调度模型

云计算框架大大改进了并行算法的实现难度,但是大部分算法有其局限性.介绍了MapReduce(映射化简)的基本实现原理和调度模型的缺陷,提出了基于支持向量机的的MapReduce进化算法,并给出了基本模型及实现.运用Hadoop云计算平台进行了仿真验证,实验结果表明,基于支持向量机的MapReduce计算框架在候选云节点的调度分配的准确性上有明显提高,并且加快了数据迭代的效率.     

基于支持向量机的织物悬垂性能评估

分析ε-支持向量机及υ-支持向量机模型，结合织物参数特点，建立基于支持向量机的织物悬垂性能评估模型．以棉织物为例，进行实验分析，结果表明这两种模型具有较好的准确性（训练和评估的相对误差都小于5％），并且需要的样本少，训练的速度快．特别是υ-支持向量机的参数选取较简单，υ在合适的范围内都可以得到比较好的输出结果，验证了基于该模型评估织物的悬垂性能是方便可行的，也为织物质量评估提供了新的思路．     

基于MFOA算法的SVM模型在信用风险评估中的应用

P2P网贷行业借助于互联网技术,得到了急速地发展,其中的个人信用风险评估也变得更加重要.为提高信用风险评估的准确性,基于SVM建立一套信用风险评估模型.然而SVM模型的性能很大程度上取决于惩罚因子以及核函数的参数,因此需要对SVM的参数进行优化.采用基于改进的多种群果蝇优化算法对支持向量机的参数进行优化选择并在真实的P2P信贷数据上进行实验.通过与几种常见的群智能算法的优化效果如遗传算法,蚁群算法,粒子群算法等进行对比,结果表明,使用多种群果蝇优化算法的SVM模型具有评估准确率更高等优点.     

组合核支持向量机个人信用评估模型

针对支持向量机模型在分类问题中的广泛应用,提出了一种新的基于支持向量机的个人信用评估模型,通过对支持向量机直方图交叉核、热核特征核、杰卡德距离核和余弦广义距离核4种核函数的组合处理,构造了投票矩阵;通过实际数据实验,获得了良好的分类结果,同时证明了支持向量机自适应组合核加权模型在信用评分系统中具有良好的性能;因此,这种基于支持向量机的个人信用评估模型可以帮助银行或贷款人做出正确的决策。     

基于支持向量机的商业银行信用风险评估模型

贷款业务是商业银行最重要的资产业务，构建一个适用的信用风险评估模型十分重要．本基于近年来在智能学习系统领域发展起来的新理论，引入小样本学习的通用学习算法——支持向量机(SVM)．建立了商业银行的信用风险评估模型，通过与多元判别分析、以及神经网络模型的比较，证实了该方法用于风险评估的有效性及优越性．     

支持向量机下机器学习模型的分析

首先概述了支持向量机的发展与应用,指出其在机器学习领域有较大的发展前景.分析了支持向量机的基本算法,进而阐述了基于支持向量机的机器学习模型构造思路.给出了其应用于机器学习模型的核函数和训练算法,最后给出了学习模型的具体分类效果.     

基于支持向量机的武器装备研制项目风险评价方法

针对武器装备研制项目风险评价方法在实际应用中存在的问题,对支持向量机在武器装备研制项目风险评价中应用的可行性进行了分析,提出了基于支持向量机的武器装备风险评价模型.应用收集相关项目的数据资料进行了实证研究,并与神经网络和模糊综合评价法进行了比较分析.结果表明,基于支持向量机的评价模型具有良好的自学习性和特征提取能力,可为武器装备研制项目风险评价提供有益的参考.     

一种基于最小二乘支持向量机的葡萄酒品质评判模型

对源自UCI数据库的葡萄酒数据进行预处理,选取径向基函数作为最小二乘支持向量机的核函数;然后,根据"一对一"算法设计出最小二乘支持向量机多元分类器,并应用交叉验证算法对参数寻优,建立葡萄酒质量评判模型.同时,用BP神经网络、标准支持向量机分类器对葡萄酒进行训练.对比实验结果表明:最小二乘支持向量机比BP神经网络、标准支持向量机的平均分类准确率高,最高分类准确率为100%.     

基于LSVM的个人信用评估

基于LSVM（Lagrangian Support Vector Machine）分类算法分析,设计了通用的银行个人信用特征数据,研究了LSVM在个人信用评估中的应用,实证结果表明,LSVM具有较好的分类预测能力。     

基于支持向量机模型的滑坡危险性评价

以长安区为研究区,在分析研究区地质环境条件以及滑坡发育特征的基础上,选取12类因子作为评价指标,通过Spearman对各因子之间的相关性进行分析;分别采用线性核函数(LN)、多项式核函数(PL)、径向基核函数(RBF)、Sigmoid核函数下的支持向量机模型对研究区地质灾害危险性进行评价,利用ArcGIS软件生成最终的危险性评价结果图,将评价结果图划分为四个危险等级,分别为极高危险区、高危险区、中危险区、低危险区;不同核函数下的支持向量机模型经ROC曲线验证得到:RBF-SVM模型的预测精度最高,此核函数下的支持向量机模型更适应于该研究区滑坡灾害危险性评价中。研究结论可以为类似地质环境条件下区域地质灾害危险性评价模型的选取提供参考。