1、支持向量機(jī)(Support Vector Machines，簡(jiǎn)稱SVMs)是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC(Vapnik-Chervonenkis)維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理基礎(chǔ)上的一種機(jī)器學(xué)習(xí)方法。支持向量機(jī)在解決實(shí)際應(yīng)用中的小樣本問題時(shí)具有較大的優(yōu)勢(shì)，較好地解決了以往困擾很多學(xué)習(xí)方法的小樣本、非線性、過學(xué)習(xí)、高維數(shù)、局部極小點(diǎn)等實(shí)際問題。如果僅從分類的角度來說，支持向量機(jī)是一種廣義的線性分類器，它是在線性分類器的基礎(chǔ)上，引入結(jié)構(gòu)風(fēng)險(xiǎn)最小化

2、原理、最優(yōu)化理論和核函數(shù)方法深化而成的。當(dāng)前基于支持向量機(jī)的模型得到了越來越多的重視和應(yīng)用。但由于支持向量機(jī)最初是針對(duì)二分類問題提出的，因此如何將其推廣到多類分類問題上就是一個(gè)很值得深入研究的問題。
　　 聚類分析方法是一種被廣泛應(yīng)用的且很有效的分類方法，它是利用多元統(tǒng)計(jì)分析的基本原理，對(duì)一批樣本進(jìn)行分類處理的數(shù)學(xué)方法。其基本思路是將一批樣本或變量，按照它們?cè)谛再|(zhì)上的親疏程度進(jìn)行分類，把樣本看成是，，l維空間的一個(gè)點(diǎn)。在m維坐標(biāo)

3、中，定義點(diǎn)與點(diǎn)之間的某種距離，通過距離的遠(yuǎn)近把樣本分成若干類別。
　　 因此，本文放棄了以往的只采用聚類分析或支持向量機(jī)來分類的方法，在分別介紹了聚類分析和支持向量機(jī)分類算法的基礎(chǔ)上，采用了聚類分析和支持向量機(jī)相結(jié)合的方法來解決多類分類問題，并采用這種方法對(duì)上市公司的股票進(jìn)行分類。由于股票數(shù)據(jù)本身的復(fù)雜性，在進(jìn)行分類之前先采用因子分析的方法對(duì)股票數(shù)據(jù)進(jìn)行降維簡(jiǎn)化，從而減少分類時(shí)的計(jì)算量和程序運(yùn)行時(shí)間。實(shí)驗(yàn)證明，這種分類算法有很高