数据挖掘作为信息管理领域的一个重要研究课题,其技术已经广泛地应用到很多行业中。作为新生代的数据挖掘技术——支持向量机(Support Vector Machine简称SVM)是在20世纪90年代提出的。由于依据结构风险最小化原则,SVM较好地解决了小样本、非线性、高维学习问题,成为了当前数据挖掘领域和机器学习界的研究热点。虽然目前已经形成了一套完整的理论框架,但是SVM在处理一些实际问题时,其性能仍显不足,围绕核心算法展开的理论和应用的深入研究仍在继续。通过改进训练算法、提出全新算法、核函数构造和参数选择等途径的研究,以进一步提高SVM的推广性能和学习速度。 本文在介绍了SVM的相关基础知识之后,以构造满足Mercer条件的核函数为核心,对SVM的性能做了一些研究和探讨,主要工作包括: 1.针对目前可供SVM选择的Mercer核较少的情况,借助于Fourier变换知识,提出了一种基于Fourier变换的核函数构造方法。经过理论证明,运用该方法构造的核函数同样满足Mercer条件,可以作为核应用于SVM的学习过程。同时依据该方法,给出了一个构造实例。以脉冲函数为基础,构造了脉冲核并对其参数性质作了简要探讨。通过UCI标准数据集的实验,表明在保证推广能力基本不变的前提下,基于脉冲核的SVM训练得到的支持向量数普遍少于基于RBF核的SVM的训练结果。 2.虽然依据脉冲核的SVM训练得到支持向量集容量较小,这在一定程度上提高了预测阶段的效率,但是针对规模较大的问题,SVM仍存在学习速度下降的缺点,因此本文提出了一种基于卫向量的简化SVM算法模型,在保证预测精确性的前提下,进一步对SVM算法进行了改进,使得改进后的SVM更适合求解大规模问题。 3.由于近年消费信贷的升温,信贷机构需要对借款者的信用进行尽可能准确地评估,针对一些已有评估方法的不足,考虑到SVM预测技术对数据样本的分布特征没有限制,同时理论上又有较好的推广能力,本文最后将基于脉冲核的改进SVM模型应用于个人信用评估中,对个人信用评估的过程进行了简要探讨,为发展个人信用评估技术提供了一种新途径,同时也为信贷机构的信贷发放提供了决策依据。