1、支持向量機(jī)是數(shù)據(jù)挖掘中的一項(xiàng)新技術(shù)，是一個(gè)理論完備、適應(yīng)性強(qiáng)、全局優(yōu)化、泛化性能好的分類器。在若干挑戰(zhàn)性的應(yīng)用中，獲得了目前為止最好的性能。本文的主要內(nèi)容是在研究經(jīng)典SVM算法的基礎(chǔ)上，以解決實(shí)際問(wèn)題，拓廣SVM的適用范圍為出發(fā)點(diǎn)，研究SVM分類方法及其分類應(yīng)用。 從支持向量依附的理論背景出發(fā)，學(xué)習(xí)目前SVM訓(xùn)練算法的研究成果，分析它在數(shù)據(jù)挖掘中(尤其是分類算法上)的應(yīng)用，并總結(jié)了支持向量機(jī)在數(shù)據(jù)挖掘領(lǐng)域中實(shí)現(xiàn)的方向。針對(duì)其在應(yīng)

2、用中的一些局限性，揭示SVM的分類機(jī)理，提出了兩種提高SVM分類性能的方法，并結(jié)合垃圾郵件過(guò)濾的應(yīng)用，證實(shí)了這兩種方法對(duì)分類器的性能有不同程度的提高。 1.利用未標(biāo)記數(shù)據(jù)提高分類器性能的研究提出了一個(gè)解決訓(xùn)練樣本不足的方法，該方法自動(dòng)從未標(biāo)記數(shù)據(jù)中挑選樣本進(jìn)行標(biāo)記，加入SVM訓(xùn)練集，并通過(guò)設(shè)置閾值在一定程度上保證所選樣本的高分辨性。 2.基于集成學(xué)習(xí)思想提高分類器性能的研究提出一種基于集成學(xué)習(xí)的KSU分類方法，對(duì)于支持向

3、量機(jī)不能很好判定的樣本，采用最近鄰方法判斷，該最近鄰算法采用支持向量集作為最近鄰居集，可以提高分類準(zhǔn)確率。 將設(shè)計(jì)的分類模型引入垃圾郵件的過(guò)濾應(yīng)用，分析了垃圾郵件產(chǎn)生的過(guò)程，對(duì)垃圾郵件過(guò)濾的常用方法進(jìn)行了總結(jié)，詳細(xì)闡述了基于內(nèi)容的垃圾郵件過(guò)濾技術(shù)過(guò)程。實(shí)驗(yàn)表明，與直接用分類面決策的經(jīng)典SVM相比，該模型在適用的樣本規(guī)模上表現(xiàn)出了一定的優(yōu)越性；可以在提高分類準(zhǔn)確率的同時(shí)，降低SVM對(duì)核函數(shù)及其參數(shù)選擇的依賴。模型雖然增加了一定的時(shí)