噪声分类算法综述.docxVIP

噪声分类算法综述 挖掘是在大量数据中获取有用知识和价值的过程，是数据库技术自然发展的结果。数据挖掘已广泛应用于零售、金融、保险、医疗、通讯等行业,并展现出了其强大的知识发现的能力。在数据挖掘的研究与应用中,分类(Classification)算法一直受学术界的关注,它是一种有监督的学习,通过对已知类别训练集的分析,从中发现分类规则,以此预测新数据的类别。数据分类算法中,为建立模型而被分析的数据元组组成的数据集合称为训练数据集,训练数据集中的单个样本(或元组)称为训练样本。分类算法是将一个未知样本分到几个已存在类的过程,主要包含两个步骤:第1步,根据类标号已知的训练数据集,训练并构建一个模型,用于描述预定的数据类集或概念集;第2步,使用所获得的模型,对将来或未知的对象进行分类。 1 svm分类算法的特点 不同的分类算法有不同的特性,完成不同的任务。目前很多分类算法被机器学习、专家系统、统计学和神经生物学等的研究者从不同角度提出,判断不同分类算法的好坏可以由准确率、速度、健壮性、可伸缩性、可解释性等几个标准来衡量。 另外,分类算法的效果通常和数据的特点有关,有的数据有空缺值,有的噪声大,有的分部稀疏,有的属性是连续的,有的则是离散或混合的。经典的分类算法都有在不同的领域取得成功,比如决策树分类算法用于医疗诊断、金融分析、评估贷款申请的信用风险等广阔领域;支持向量机分类算法应用于模式识