x∈Gi，若=P（Gj|x）

　　若考虑误判代价，表示根据某种判别规则可能判归Gi（i=1，2，…，k）的全体样品的集合，用c（j|i）（i，j=1，2，…，k）表示将来自Gi的样品x误判给Gj的代价，则有c（j|i）=0。将来自Gi的样品x误判给Gj的条件概率为：

　　P（j|i）=P（x∈Rj|x∈Gi）=fi（x）dx

　　可得任一判别规则的平均误判代价为：

　　ECM（R1，R2，…，Rk）=E（c（j|i））=pic（j|i）P（j|i）

　　使得平均误判达到最小的判别规则为：

　　x∈Gi，若c（j|i）fj（x）pi=pic（h|i）fj（x）

　　以上判别规则可以这样理解：若样品判归Gi的平均误判代价比判归其他总体平均误判代价都要小，这样就将样品归于Gi组。

　　3  实证数据分析

　　本实验的数据来自对广东省17个地市（不含深圳）城镇、农村两个层面消费群体的烟草消费调研，较真实地了解广东省卷烟消费者对卷烟的品牌、包装、口味、价格、购买动机等影响卷烟消费行为的因素以及相关市场情况。经过数据收集、数据录入、数据预处理、卷烟品牌分类、基于支持向量机的多类分类分析等步骤进行实证数据分析。

　　4  实验结果

　　支持向量机的多类分类依靠几个二分类模型才能实现，在本次试验的多类分类模型设计中，共需要训练6个SVM，整个支持向量机的分类结构，已经在图1中阐述。

　　低档与非低档分类中，准确分类的精度达到了96%。普通与非普通分类中，准确分类的精度达到了86%。高档与非高档分类中准确分类的精度达到了88%。低档与高档分类中准确分类的精度达到了96%。低档与高档分类中，只选取训练集中的低档品牌消费者和普通档品牌消费者各作为一类，分类的精度达到了95%。普通与高档分类中，只选取训练集中的普通品牌消费者和高档品牌消费者各作为一类，分类的精度达到了88%。

　　从上面所有的支持向量机训练期分类结果可以发现，所有支持向量机训练期的精度都较高。一方面，作为机器学习的算法可能存在过拟合的现象;另一方面，也说明了作为消费者而言，不同档次的消费者的差异可区分度较大。根据模型设计，支持向量机在分类总体完成后，预测期内对模型的预测效果进行检验。不同参数与模型的比较结果如表1所示。

　　从表1中可以看到，支持向量机在预测期分类的预测准确率达到64.98%，大于贝叶斯判别的分类准确率45.23%，体现了其在分类上的先进性。

　　我们再将所有的调研数据按区域（地级市为单位）划分，得到的分类如图2所示，将两种方法得出结果分别求算术平均值，结果如表2所示。

　　从图2和表2，我们可以看到，在按城市区分之后，SVM的分类准确率有一个提升，平均分类准确率达到了77%，远远高于贝叶斯判别的准确率45%。进行城市区分之后分类准确率更高，这个一方面更加确保支持向量机在分类上的一个有效性;另一方面也说明，不同城市的烟民在购买卷烟的行为也有着不同模式。

　　5  总结与展望

　　本文的研究，希望利用支持向量机模型在分类上的天然优势，可以将不同的行为模式区分开来。由于消费者行为的产生取决于多方面不同的因素，而消费者对品牌的敏感性一直是学术研究中的一个重点与难点。

---

期刊库（http://www.zgqkk.com），是一个专门从事期刊推广、投稿辅导的网站。
　　本站提供如何投稿辅导，寻求投稿辅导合作，快速投稿辅导，投稿辅导格式指导等解决方案：省级投稿辅导/国家级投稿辅导/核心期刊投稿辅导//职称投稿辅导。

---

　　【免责声明】本文仅代表作者本人观点，与投稿辅导_期刊发表_中国期刊库专业期刊网站无关。投稿辅导_期刊发表_中国期刊库专业期刊网站站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。