支持向量机(SVM)理解以及在sklearn库中的简单应用
来源:互联网 发布:centos网卡速率命令 编辑:程序博客网 时间:2024/06/13 01:33
1. 什么是支持向量机
- 英文Support Vector Machines,简写SVM . 主要是基于支持向量来命名的,什么是支持向量后面会讲到…….最简单的SVM是用来二分类的,在深度学习崛起之前被誉为最好的现成分类器,”现成”指的是数据处理好,SVM可以直接拿来使用 …
2. 名词解释
2.1线性(不)可分 , 超平面
上图 线性可分(绿色荧光笔直线),即一条直线完美分类,虽然有不同的分割法,这条分割线就叫做”分割超平面”,二维中直线就是一个超平面,扩展到n维中n-1维也就是超平面
左面这张图很明显,所谓线性不可分,则是一条直线不能完美分类
左面这张图也是线性不可分 但是 有一个圆形区域很好的进行了分类
这时候就可以映射到高维,见下例
面 到 体 :
线 到 面 :
这个例子就比较好理解了,主要是怎么映射? 见下内容….
2.2 支持向量
支持向量在SVM中很重要,名字就看得出来, 在上例中红线为分割超平面,红色的*点就是支持向量点,即离分割超平面最近的点。
3. SVM理解
在二分类问题中,SVM需要的就是寻得一个分割超平面,使margin最大化,见下图,margin就是切割超平面离最近点的距离
最近的点就是支持向量点,这里的超平面可以定义为
假设2维特征向量
那么超平面方程就变成了 :
右上方点满足 :
同理,左下点满足 :
经过对weight参数的调整,使得
综上两式
那么如果线行不可分呢,那就需要映射到高维,例如
- linear : 线性核函数(linear kernel)
- poly : 多项式核函数(ploynomial kernel)
- rbf : 径向机核函数(radical basis function)
- sigmoid : 神经元的非线性作用函数核函数(Sigmoid tanh)
具体介绍还是看看文档吧…..
然后根据核函数就可以进行分类或者回归了…..
4. SVM优缺点
优点
- 支持向量决定时间复杂,而不是取决于数据集的大小
- 结果易于理解
缺点
- 对于参数以及核函数有依赖,原始算法不加修改只用于二分类
- 算法实现比较困难 (依赖sklearn库的话就算了,打脸)
5. sklearn库简单应用实例
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
- 71
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
- 71
6. 图像结果 以及 分析
- 1
- 2
- 3
- 4
- 1
- 2
- 3
- 4
红色为支持向量,红线为切割超平面,绿色虚线为边际超平面,用来’阻挡’两类的超平面
- 支持向量机(SVM)理解以及在sklearn库中的简单应用
- 支持向量机(SVM)理解以及在sklearn库中的简单应用
- 拉格朗日对偶性算法以及在SVM支持向量机中的应用
- 简单理解支持向量机SVM的方法
- 关于 支持向量机 SVM很简单的理解
- [转] 支持向量机SVM的理解
- SVM(支持向量机)---学习和理解
- 深入理解支持向量机-SVM
- 支持向量机(SVM)算法应用
- 支持向量机(SVM)简单小结
- OpenCV中的SVM支持向量机
- 支持向量机SVM中的对偶问题
- SVM Application List:支持向量机SVM的应用列表
- 支持向量机通俗导论(理解SVM的三层境界)(3)以及参考文献
- 支持向量机SVM
- SVM支持向量机
- svm支持向量机
- SVM支持向量机
- JVM(4):Jvm调优-命令篇
- Redis备份
- 2018网易校招内推编程题 堆棋子
- Mac 下使用Android studio生成.9png图片
- Python3安装scipy,numpy,matplotlib
- 支持向量机(SVM)理解以及在sklearn库中的简单应用
- java 素数
- 聊一聊log4j2配置文件log4j2.xml
- 测试与分支(case与select结构)
- 基于springboot的框架搭建(2)统一配置mybatis的增删改方法
- CentOS7(64位)安装Jupyter Notebook
- 101. Symmetric Tree
- Java中四种引用类型
- matlab graythresh()函数使用的注意点