三、训练及结果分析
　　本课题中选用的医学图像数据为乳腺X线图像，全部示例图像均来自MIAS图像库，该图像库中包含322张乳腺X线图像，并分为三大类：正常、良性和恶性（异常），其中正常的208例，良性63例，恶性51例，后两类都划分为不正常。本课题中只分为“正常”和“异常”两类，良性和恶性都归为“异常”类中。
　　本文采用10重交叉驗证的方法，将数据库中的全体图像随机分为十份，其中一份用作测试集，另外九份用作训练集，依次轮换，直到每份样本都做了一次测试集，即进行了十次训练和预测。实验结果如右图所示，最终平均分类精度为79.2%。本实验中的支持向量机虽然证明了其可行性，但从结果来看，不仅准确度不够高，实验过程中最高精确度与最低精度相差也比较大，表明分类器的稳定性还不够，猜测可能与随机分类中图片分类分组也有一定关系，在进一步研究中可对其分组分类进行记录，来研究其中的关系。
　　四、结束语
　　基于本文中的实验方法，还可以在此基础上从以下方面进行改进，以提高精确度。
　　（1）本课题是在考虑SVM适用于小样本训练的前提下进行的，但如果用于大量样本的实验训练，则空间复杂度和时间复杂度也会大大增加。
　　（2）现已有多种基于提高识别率的优化算法，但如果要进一步优化分类算法，还应考虑提高训练速度。
　　此外，以上两点的结合以及最终问题就是增量学习和在线学习。无论什么样的算法，都不能直接保证其在任何时间地点都能进行百分之百准确的运算，但是如果用于应用中不断学习的在线学习，则可以使准确率无限接近于百分之一百，这是比现有算法都要更加实用的小样本分类算法。
　　参考文献：
　　[1]田 捷，包尚联，周明全.医学影像处理与分析[M].北京：电子工业出版社，2003.
　　[2]Ma J，Theiler J，Perkins S.Accurate online support vector regression[J].Neural Computation，2003（11）.
　　[3]汪 辉.增量型支持向量机回归训练算法及在控制中的应用[D].杭州：浙江大学，2006.