尋優支持向量機於分類應用之研究

Abstract

近十年來，支持向量機(Support Vector Machine，簡稱為SVM)由於其在許多領域問題之解決上均有良好表現而受到矚目。在支持向量機中包含一個學習演算法及其輸入空間，輸入空間內含一個訓練集和一個測試集。藉由訓練集的輸入，學習演算法可以找出一個辨別器，並經由測試集我們可以知道此辨別器的辨別正確度。支持向量機的目的便是找出正確度夠好的辨別器以分辨鑑別後續未知的輸入項。機器學習機制學習效果的優劣，會因所使用的訓練資料集中能否涵蓋整個問題空間的而定。但隨著輸入空間的維度增加，計算的複雜度也跟著提高，而往往致使機器學習效果變差。特性篩選便是為解決這類問題而發展出來的。而特性篩選又可分為二種，一為針對輸入空間中的向量分量作排序，以決定分量對辨別器的影響，進而捨棄不重要者以降低計算的複雜度；其二則以找出含蓋整個問題空間的最大樣模，來做為訓練範例以得到最佳的學習機制。在本論文中，我們提出「尋優支持向量機」，其中以模擬退火演算法找出支持向量機所需的支持向量集合做為訓練資料集，配合支持向量機的學習機制，在較少數量訓練資集中，找出最能代表整個母體資料的訓練樣本，建構最大邊緣解的支持向量集以克服大量的輸入資料的分類問題。為驗證所提出之機器學習機制的分類效能，本研究以糖尿病資料集為驗證實例。結果顯示，本研究所提出之尋優支持向量機確實有能力處理樣模分類問題。