- 1、本文档共3页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
多值SVM分类投票法的改进的开题报告
一、研究背景
在机器学习中,支持向量机(SupportVectorMachine,SVM)是一种经典的分类算法。它的主要思想是将数据映射到特征空间中,并在特征空间中寻找一个能够分类的超平面。然而,有些数据集存在噪声点或者异常值,这些点对于SVM的分类结果会产生一定的影响。为了解决这个问题,常常采用多值SVM分类投票法(M-SVM)。
M-SVM方法先将数据集聚类为多个子集,然后对每个子集训练一个SVM模型,最后进行投票决策。M-SVM方法可以提高分类准确度,但是当数据集划分不均匀时,会出现一些子集中的样本数量较少,这些子集的SVM模型分类效果较差,从而影响整个模型的准确度。
因此,本文将研究如何改进M-SVM方法,在解决数据集划分不均匀的情况下提高分类准确度。
二、研究内容
本文的研究内容包括以下两点:
1.改进多值SVM分类投票法。在划分数据集时,不仅要考虑聚类结果,还要考虑每个子集中的样本数量。如果某个子集中的样本数量较少,可以考虑将这个子集合并到相邻的子集中,从而使得每个子集中的样本数量均衡。
2.在实际数据集上验证改进后的多值SVM分类投票法的效果。本文将在多个真实数据集上进行实验,比较改进后的方法和基准方法的分类准确度,并分析改进方法的优缺点。
三、研究意义
改进后的多值SVM分类投票法可以在解决数据集划分不均匀的情况下提高分类准确度。本文的研究内容可以为实际场景中的数据分析和机器学习提供更加有效的方法,其意义非常重要。
四、研究方法
本文将采用以下研究方法:
1.对多值SVM分类投票法进行改进。本文将针对M-SVM方法,在数据集划分不均匀的情况下进行改进,使得每个子集中的样本数量均衡,从而提高分类准确度。
2.设计实验并分析结果。在多个真实数据集上进行实验,比较改进后的方法和基准方法的分类准确度,分析改进方法的优缺点。
五、预期成果
本文的预期成果包括以下两点:
1.提出一种改进的多值SVM分类投票法,使得在数据集划分不均匀的情况下能够提高分类准确度。
2.在多个真实数据集上进行实验,验证改进后的方法的有效性,并分析其优缺点,为实际场景中的数据分析和机器学习提供更加有效的方法。
六、研究计划
1.第一阶段(一个月):研究多值SVM分类投票法的基本原理和方法,学习数据集划分的算法,搜集相关的研究论文和实验结果。
2.第二阶段(两个月):改进多值SVM分类投票法,提出一种使得在数据集划分不均匀的情况下能够提高分类准确度的方法,设计实验并收集实验数据。
3.第三阶段(两个月):在多个真实数据集上进行实验,比较改进后的方法和基准方法的分类准确度,分析改进方法的优缺点,并撰写研究报告。
4.第四阶段(一个月):修改和完善研究报告,准备进行论文答辩。
七、参考文献
1.ChandraS.K.,MukhopadhyayS.,etal.ANovelMulticlassSVMClassifierUsingClusteredCentroidsofDisjointSmallerSubsetsoftheData,IEEETransactionsonNeuralNetworksandLearningSystems,2017,28(9):2147-2158.
2.SairamanY.,KandaswamyA.Multi-classSVMaThoroughAnalysis,InternationalJournalofComputerApplications,2011,37(12):38-43.
3.MorantzC.,ShahG.,etal.OnImprovingtheTrainingofSupportVectorMachinesforMulticlassClassification,JournalofMachineLearningResearch,2017,18:1-40.
文档评论(0)