基于支持向量机的棋盘数据分类研究.pdfVIP

ArtificialIntelligenceandRoboticsResearch人工智能与机器人研究,2025,14(1),173-182

PublishedOnlineJanuary2025inHans./journal/airr

/10.12677/airr.2025.141017

基于支持向量机的棋盘数据分类研究

高光耀，杨婧敏，杨永生

西京学院计算机学院，陕西西安

收稿日期：2024年11月25日；录用日期：2025年1月16日；发布日期：2025年1月29日

摘要

本文旨在探索支持向量机(SVM)在棋盘数据分类中的应用效果及其性能，特别是在国际象棋和围棋等棋

类游戏的局面分类问题上。通过对不同参数设置下的SVM模型进行实验，本文分析了线性核、多项式核

及径向基函数(RBF)核SVM在处理高维、复杂棋局数据时的准确率和泛化能力。本文对比了多种SVM模

型在棋盘数据上的分类性能，通过交叉验证和细致的参数调优过程，选出了最优模型。实验结果表明，

SVM模型尤其是采用RBF核的模型，在棋盘数据分类任务中展示出了显著的性能优势，包括高准确率和

良好的泛化能力。此外，实验也揭示了特征选择和模型参数调优在提高分类性能中的重要性。

关键词

支持向量机，核函数，参数调优，模式识别

ResearchonChessboardDataClassification

BasedonSupportVectorMachine

GuangyaoGao,JingminYang,YongshengYang

SchoolofComputerScience,XijingUniversity,Xi’anShaanxi

Received:Nov.25th,2024;accepted:Jan.16th,2025;published:Jan.29th,2025

Abstract

Thispaperaimstoexploretheapplicationeffectandperformanceofsupportvectormachine(SVM)

inchessboarddataclassification,especiallyinthesituationclassificationofchessandgo.Through

experimentsonSVMmodelswithdifferentparametersettings,theaccuracyandgeneralization

abilityoflinearkernel,polynomialkernelandradialbasisfunction(RBF)kernelSVMinprocessing

high-dimensionalandcomplexchessdataareanalyzedinthisstudy.Inthispaper,theclassification

performanceofmultipleSVMmodelsonchessboarddataiscompared,andtheoptimalmodelis

selectedthroughcross-validationandmeticulousparametertuningprocess.Theexperimental

文章引用:高光耀,杨婧敏,杨永生.基于支持向量机的棋盘数据分类研究[J].人工智能与机器人研究,2025,14(1):

173-182.DOI:10.12677/airr.2025.141017

高光耀等

resultsshowthattheSVMmodel,especiallythemodelwithRBFkernel,showssignificantperfor-

mance