一种支持向量机的多维度训练方法及装置制造方法及图纸

本发明专利技术公开了一种支持向量机的多维度训练方法、装置、电子设备及计算机可读存储介质，所述方法包括：对训练样本数据集进行离散化处理得到离散化数据集，所述离散化数据集包含多个不同的属性，每个属性对应多个特征向量；计算每个所述属性特征向量的分类贡献参数，得到多个分类贡献参数；使用核函数对所述多个分类贡献度进行数据映射得到目标函数；使用梯度下降算法优化训练所述目标函数得到支持向量机模型。本发明专利技术通过核函数对不同的维度数据进行映射，可以确定数据增益权重并提高映射后维度数据线性可分的效果，进而可以提高SVM的分类及分析能力。及分析能力。及分析能力。

【技术实现步骤摘要】
一种支持向量机的多维度训练方法及装置


[0001]本专利技术涉及模型训练的
，尤其涉及一种支持向量机的多维度训练方法及装置。

技术介绍

[0002]支持向量机（support vector machines，简称SVM）是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器。在数据挖掘中有着广泛的应用，其理论基础是统计学中的VC维理论和结构方向最小化原则。支持向量机的核心是找出一个最优化的分隔超平面作为分类的依据。
[0003]由于标准的支持向量机只能处理线性的情况，而现在需要处理或分析的数据大多是非线性的，为了提高SVM的分类能力，需要对其进行分线性数据的训练。目前常用的训练方法是将多个非线性的数据输入至SVM中，通过用户调整各个数据之间的权重关系，以供SVM进行自主训练，以提高其分析能力。
[0004]但目前常用的训练方法有如下技术问题：由于训练的数据需要用户手动调整各个数据之间的关系，操作复杂，且SVM仅能通过用户输入的数据关系进行训练，难以挖掘数据相互之间在不同维度的关系或联系，训练后分析的准确率较本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种支持向量机的多维度训练方法，其特征在于，所述方法包括：对训练样本数据集进行离散化处理得到离散化数据集，所述离散化数据集包含多个不同的属性，每个属性对应多个特征向量；计算每个所述属性特征向量的分类贡献参数，得到多个分类贡献参数；使用核函数对所述多个分类贡献度进行数据映射得到目标函数；使用梯度下降算法优化训练所述目标函数得到支持向量机模型。2.根据权利要求1所述的支持向量机的多维度训练方法，其特征在于，所述离散化处理，具体为：按照向量数值的大小将每个属性对应的多个特征向量进行排序，得到每个属性对应的排列特征向量；基于预设的分割数将所述排列特征向量划分成多个向量区域，其中，每个向量区间对应一个属性特征向量。3.根据权利要求2所述的支持向量机的多维度训练方法，其特征在于，所述分类贡献参数，包括：样本分类的期望信息、变量取值概率、条件熵差、信息增益权重、分类贡献率度和实体间距离；所述样本分类的期望信息的计算如下式所示：，为属性中C类包含的子集的数量，是属性中第i个属性特征向量；所述变量取值概率的计算如下式所示：；所述条件熵差的计算如下式所示：所述条件熵差的计算如下式所示：所述条件熵差的计算如下式所示：所述条件熵差的计算如下式所示：所述条件熵差的计算如下式所示：所述条件熵差的计算如下式所示：所述条件熵差的计算如下式所示：所述条件熵差的计算如下式所示：；为特征属性集合划分，各个后子集的数量；所述信息增益权重的计算如下式所示：
；所述分类贡献率度的计算如下式所示：所述分类贡献率度的计算如下式所示：为属性集合；所述实体间距离的计算如下式所示：。4.根据权利要求1所述的支持向量机的多维度训练方法，其特征在于，所述使用核函数对所述多个分类贡献度进行数据映射得到目标函数，包括：使用核函数对每个所述分类贡献度进行线性映射，得到每个所述分类贡献度的映射函数；利用所述映射函数计算每个所述分类贡献度的内积，得到每个所述分类贡献度对应的目标函数。5.根据权利要...

【专利技术属性】
技术研发人员：程晨，陈扬，范颖，徐思尧，李妍，石振宇，彭明洋，张子媖，杨强，周刚，
申请(专利权)人：广东电网有限责任公司电力科学研究院，
类型：发明
国别省市：