核心函數為基礎的支持向量分類器：理論與應用

Abstract

在兩種類別的分類作業上，支持向量分類器（support vector machine, SVM）是一個好的資料探勘工具，使用者可以透過簡單的計算，以超平面（hyperplane）和邊界（boundary）完成資料分類。為了要解決許多非線性的問題，數學家們建議使用SVM結合核心函數（kernel function）的方式來分析。這樣的做法雖有利於分類，但是在處理大量和複雜資料上，SVM仍受到限制。實際上，不同領域的龐大資料庫中往往隱含許多資訊和知識，而特徵選取是擷取資訊和知識的其中一種程序。因此如何能夠快速地刪減不重要的屬性，進而獲得正確的特徵屬性，是一重要的議題。 本研究首先提出一個新的以SVM為基礎的分類方法，透過常用的核心函數 (Polynomial 和 RBF) 建構分類器，並提出參數設定與核心函數選擇的指引。接著，將所提出的SVM分類器與Hermes和Buhmman (2000)所提的屬性選擇方法作結合，構建一特徵選取程序。最後，本研究以高血壓檢測為例，透過所提出之程序進行一個案研究：包含模型建構與刪減不重要的屬性，並與倒傳遞類神經網路、決策樹、粗略集合等方法比較。結果顯示，無論是正確率和精確度的評估上，所提出方法的績效優於其他方法。