数据挖掘是一种融合了人工智能、数据库和数理统计等学科特点的新兴技术,善于从大量的、复杂的数据中迅速获取新颖、有效的知识。分类是数据挖掘的主要任务之一。目前,流行的分类算法的重要基础是传统的统计学,但当样本有限时,过学习现象常导致分类效果不理想。支持向量机作为一种新兴的统计学习算法,以其优秀的理论基础(结构风险最小化、条件二次优化理论和核空间理论)脱颖而出。 支持向量机是由Vapnik及其领导的AT&T实验室研究小组提出的一种新的非常有发展前途的机器学习算法。它是继神经网络研究之后新的研究热点,并将推动机器学习理论和技术有重大的发展。 本文首先讨论了数据挖掘的基本概念,挖掘任务、挖掘对象、挖掘方法,基本过程以及对数据挖掘理解的一些误区。然后再研究了支持向量机的理论基础及基本概念和要解决的关键技术问题后,又对当前针对分类的各种比较通用的支持向量机训练算法进行了研究,比较了各种算法的优劣。 支持向量机应用于数据挖掘中,有时要处理大规模训练集,针对SVM在处理大规模训练样本集学习时,学习速度慢,存储需求量大的问题,对支持向量机方法与聚类算法的配合问题进行研究,通过剪枝、聚类的方法减小样本空间,提高支持向量机的训练速度。最后把基于模糊聚类的支持向量机算法应用在人才数据挖掘系统中,得到了比较好的分类效果。