支持向量机作为现今最流行的分类算法之一,已经被广泛地应用于生活中的各个领域。它不仅有着较为完善的理论背景,在数据分类时也有很好的表现。支持向量机不仅可以处理简单的线性可分的数据集,结合核函数,还可以将非线性可分的数据集映射到高维空间上,从而得到不错的分类效果。现实生活中的分类问题往往是非线性可分的,所以在应用支持向量机时,核函数的选择及其相应参数的调整变得尤为重要。考虑到高斯径向基核函数无论对于大样本还是小样本数据集都有着较为稳定的分类效果,且它的优越性已由大量的实际问题验证,所以本文采用的即是这一核函数。除此之外,支持向量机还有一个重要参数,称为惩罚系数C,再加上高斯核函数的超参数,即是支持向量机所需要确定的两个主要参数。本文的研究重点即是为支持向量机选择合适的参数C及.文章的主要思路是基于爬山算法的思想,结合回归分析的模型构建理论,提出一种支持向量机参数选择的新算法。爬山算法相较于启发式算法,其思路更加清晰,算法也更简洁,在处理大型的数据时,可以节约时间成本。但它也有过快收敛,陷入局部最优解的问题,因此,本文加入了回归分析构建的模型,缓解了这个问题,且为爬山算法在陷入局部最优解时,提供了下一步的参数选择方向。随着科学技术的发展,信用卡欺诈已经成为了金融交易市场中大多数银行所头疼的问题之一,本篇论文主要解决的实际问题就是欺诈交易的识别。然而,在进行信用卡欺诈可能性预测时,对方提供的数据集中,违约的客户往往是极少量的。所以,在用支持向量机进行分类之前,需要对这种不平衡的数据集进行重采样处理。本文选择的重采样技术是SMOTE算法。