支持向量機是數據挖掘中的一個新方法。支持向量機能非常成功地處理回歸問題(時間序列分析)和模式識別(分類問題、判別分析)等諸多問題，并可推廣于預測和綜合評價等領域，因此可應用于理科、工科和管理等多種學科。目前國際上支持向量機在理論研究和實際應用兩方面都正處于飛速發展階段。希望《數據挖掘中的新方法——支持向量機》能促進它在我國的普及與提高。 《數據挖掘中的新方法——支持向量機》對象既包括關心理論的研究工作者，也包括關心應用的實際工作者。對于有關領域的具有高等數學知識的實際工作者，略去書中的某些理論部分，仍能對支持向量機的本質有一個概括的理解，從而用它解決自己的問題。 《數據挖掘中的新方法——支持向量機》適合高等院校高年級學生、研究生、教師和相關科研人員及相關領域的實際工作者使用。 序言 符號表 第1章 最優化問題及其基本理論 1·1 最優化問題 1·2 最優性條件 1·3 對偶理論 1·4 注記 參考文獻 第2章 求解分類問題和回歸問題的直觀途徑 2·1 分類問題的提出 2·2 線性分類學習機 2·3 支持向量分類機 2·4 線性回歸學習機 2·5 支持向量回歸機 2·6 注記 參考文獻 第3章 核 3·1 描述相似性的工具——內積 3·2 多項式空間和多項式核 3·3 Mercer核 3·4 正定核 3·5 核的構造 3·6 注記 參考文獻 第4章 推廣能力的理論估計 4·1 損失函數和期望風險 4·2 求解分類問題的一種途徑和一個算法模型 4·3 VC維 4·4 學習算法在概率意義下的近似正確性 4·5 一致性概念和關鍵定理 4·6 結構風險最小化 4·7 基于間隔的推廣估計 4·8 注記 參考文獻 第5章 分類問題 5·1 最大間隔原則 5·2 線性可分支持向量分類機 5·3 線性支持向量分類機 5·4 支持向量分類機 5·5 ν-支持向量分類機(ν-SVC) 5·6 ν-支持向量分類機(ν-SVC)和C-支持向量分類機(C-SVC)的關系 5·7 多類分類問題 5·8 一個例子 5·9 注記 參考文獻 第6章 回歸估計 6·1 回歸問題 6·2 ε-支持向量回歸機 6·3 ν-支持向量回歸機 6·4 ε-支持向量回歸機(ε-SVR)與ν-支持向量回歸機(ν-SVR)的關系 6·5 其他形式的支持向量回歸機 6·6 其他形式的損失函數 6·7 一些例子 6·8 注記 參考文獻 第7章 算法 7·1 無約束問題解法 7·2 內點算法 7·3 求解大型問題的算法 7·4 注記參考文獻 第8章 應用 8·1 模型選擇問題 8·2 分類問題的線性分劃中的特征選擇 8·3 模型選擇 8·4 靜態圖像中球的識別 8·5 自由曲面的重建問題 8·6 應用簡介 8·7 核技巧的應用 8·8 注記 參考文獻 附錄A 基礎知識 A·1 基本定義 A·2 梯度和Hesse矩陣 A·3 方向導數 A·4 Taylor展開式 A·5 分離定理 附錄B Hilbert空間 B·1 向量空間 B·2 內積空間 B·3 Hilbert空間 B·4 算子、特征值和特征向量 附錄C 概率 C·1 概率空間 C·2 隨機變量及其分布 C·3 隨機變量的數字特征 C·4 大數定律 附錄D 鳶尾屬植物數據集 英漢術語對照表