支持向量机是数据挖掘领域众多算法中的一种,它是利用优化方法解决分类问题的工具。目前,该方法已经成功地应用于许多领域,例如医疗、金融、农业、教育等,使其成为人们关注的热点课题。在理论和算法实现两个方面,研究者们已经取得令人满意的成果。但是,当数据的规模较大时,传统的方法在训练过程中需要的存储空间过大、用时过长、应用不便。针对以上不足,本文在深入地研究支持向量机理论后,提出相应的改进方法,具体内容如下:1.对于支持向量分类机,我们首先通过最小距离的方法,预先选出包含所有支持向量的边界向量集合,然后通过支持向量分类机的调节熵函数法训练该集合。最后,通过三个仿真实验验证该方法的可行性,并且还分析该方法在存储和训练用时等方面具有的优势。2.对于支持向量回归机,我们采用类中心的方法,选出包含全部支持向量的边界向量集合,然后对该集合进行支持向量回归机的调节熵函数法训练。最后,通过实验验证该方法具有分类精度高、占用空间小、训练用时短等优点。