Enhancing data mining efficiency: Comparative analysis of SVM, PCA

Aggarwal, Gaurav

doi:10.1016/j.array.2026.101093

Enhancing data mining efficiency: Comparative analysis of SVM, PCA

2026-07-01

0

PRE

AI

K. Abhimanyu Kumar Patro

DOI：10.1016/j.array.2026.101093

原文链接

原文求助

摘要

En 中文

数据驱动方法正越来越多地应用于涉及高维图像数据集的分类任务，特别是在人脸识别和天文图像分析等领域。然而，传统的支持向量机（SVM）和主成分分析（PCA）等方法在捕捉复杂数据结构中固有的非线性关系方面存在局限性。本研究对SVM、PCA+SVM和基于自动编码器（Autoencoder）的框架在分类任务中的表现进行了比较评估，使用了人脸图像（二分类）和星系形态（多分类）两种异构数据集。模型采用准确率、精确率、召回率、F1分数、特异度、Cohen's kappa和AUC-ROC等标准性能指标进行评估。结果显示，基于自动编码器的模型分类准确率更高，人脸数据集达到94.15%，星系数据集达到96.52%，而PCA+SVM分别为89.5%和85.1%，SVM分别为78.55%和77.5%。这些改进归因于自动编码器能够学习非线性且紧凑的特征表示。总体而言，研究结果强调了非线性表示学习在提高高维数据分类性能中的重要性，并证明了基于自动编码器的方法在不同数据集复杂度下均具有有效性。

Keyword:

Facial Images

Galaxy images

Autoencoder

Principal component analysis

Support vector machine

Enhancing data mining efficiency: Comparative analysis of SVM, PCA

摘要

期刊

机构

引用论文