[发明专利]一种支持向量机的多维度训练方法及装置

权利要求书

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：

；

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：

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.根据权利要求4所述的支持向量机的多维度训练方法，其特征在于，所述核函数包括：高斯核函数；

所述高斯核函数如下式所示：

。

6.根据权利要求5所述的支持向量机的多维度训练方法，其特征在于，所述核函数还包括：TS核函数；

所述TS核函数如下式所示：

。

7.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，包括：

将所述目标函数转换成优化问题；

求所述优化问题的梯度；

迭代更新梯度得到支持向量机模型；

其中，优化问题的转换如下式所示：

是铰链损失函数；

是向量W和向量的内积；

所述梯度的计算如下式所示：

r是迭代次数，是0向量，是第r次迭代随机选到的样本点,是第r-1次迭代的权重参数；

所述迭代更新的计算如下式所示：

计算得到的支持向量机模型如下式所示：

。

8.一种支持向量机的多维度训练装置，其特征在于，所述装置包括：

离散化模块，用于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；

计算模块，用于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；

映射模块，用于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；

训练模块，用于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。