支持向量機(jī)是數(shù)據(jù)挖掘中的一個(gè)新方法。支持向量機(jī)能非常成功地處理回歸問題(時(shí)間序列分析)和模式識別(分類問題、判別分析)等諸多問題，并可推廣于預(yù)測和綜合評價(jià)等領(lǐng)域，因此可應(yīng)用于理科、工科和管理等多種學(xué)科。目前國際上支持向量機(jī)在理論研究和實(shí)際應(yīng)用兩方面都正處于飛速發(fā)展階段。希望《數(shù)據(jù)挖掘中的新方法——支持向量機(jī)》能促進(jìn)它在我國的普及與提高。 《數(shù)據(jù)挖掘中的新方法——支持向量機(jī)》對象既包括關(guān)心理論的研究工作者，也包括關(guān)心應(yīng)用的實(shí)際工作者。對于有關(guān)領(lǐng)域的具有高等數(shù)學(xué)知識的實(shí)際工作者，略去書中的某些理論部分，仍能對支持向量機(jī)的本質(zhì)有一個(gè)概括的理解，從而用它解決自己的問題。 《數(shù)據(jù)挖掘中的新方法——支持向量機(jī)》適合高等院校高年級學(xué)生、研究生、教師和相關(guān)科研人員及相關(guān)領(lǐng)域的實(shí)際工作者使用。 序言 符號表 第1章 最優(yōu)化問題及其基本理論 1·1 最優(yōu)化問題 1·2 最優(yōu)性條件 1·3 對偶理論 1·4 注記 參考文獻(xiàn) 第2章 求解分類問題和回歸問題的直觀途徑 2·1 分類問題的提出 2·2 線性分類學(xué)習(xí)機(jī) 2·3 支持向量分類機(jī) 2·4 線性回歸學(xué)習(xí)機(jī) 2·5 支持向量回歸機(jī) 2·6 注記 參考文獻(xiàn) 第3章 核 3·1 描述相似性的工具——內(nèi)積 3·2 多項(xiàng)式空間和多項(xiàng)式核 3·3 Mercer核 3·4 正定核 3·5 核的構(gòu)造 3·6 注記 參考文獻(xiàn) 第4章 推廣能力的理論估計(jì) 4·1 損失函數(shù)和期望風(fēng)險(xiǎn) 4·2 求解分類問題的一種途徑和一個(gè)算法模型 4·3 VC維 4·4 學(xué)習(xí)算法在概率意義下的近似正確性 4·5 一致性概念和關(guān)鍵定理 4·6 結(jié)構(gòu)風(fēng)險(xiǎn)最小化 4·7 基于間隔的推廣估計(jì) 4·8 注記 參考文獻(xiàn) 第5章 分類問題 5·1 最大間隔原則 5·2 線性可分支持向量分類機(jī) 5·3 線性支持向量分類機(jī) 5·4 支持向量分類機(jī) 5·5 ν-支持向量分類機(jī)(ν-SVC) 5·6 ν-支持向量分類機(jī)(ν-SVC)和C-支持向量分類機(jī)(C-SVC)的關(guān)系 5·7 多類分類問題 5·8 一個(gè)例子 5·9 注記 參考文獻(xiàn) 第6章 回歸估計(jì) 6·1 回歸問題 6·2 ε-支持向量回歸機(jī) 6·3 ν-支持向量回歸機(jī) 6·4 ε-支持向量回歸機(jī)(ε-SVR)與ν-支持向量回歸機(jī)(ν-SVR)的關(guān)系 6·5 其他形式的支持向量回歸機(jī) 6·6 其他形式的損失函數(shù) 6·7 一些例子 6·8 注記 參考文獻(xiàn) 第7章 算法 7·1 無約束問題解法 7·2 內(nèi)點(diǎn)算法 7·3 求解大型問題的算法 7·4 注記參考文獻(xiàn) 第8章 應(yīng)用 8·1 模型選擇問題 8·2 分類問題的線性分劃中的特征選擇 8·3 模型選擇 8·4 靜態(tài)圖像中球的識別 8·5 自由曲面的重建問題 8·6 應(yīng)用簡介 8·7 核技巧的應(yīng)用 8·8 注記 參考文獻(xiàn) 附錄A 基礎(chǔ)知識 A·1 基本定義 A·2 梯度和Hesse矩陣 A·3 方向?qū)?shù) A·4 Taylor展開式 A·5 分離定理 附錄B Hilbert空間 B·1 向量空間 B·2 內(nèi)積空間 B·3 Hilbert空間 B·4 算子、特征值和特征向量 附錄C 概率 C·1 概率空間 C·2 隨機(jī)變量及其分布 C·3 隨機(jī)變量的數(shù)字特征 C·4 大數(shù)定律 附錄D 鳶尾屬植物數(shù)據(jù)集 英漢術(shù)語對照表