3.2 支持向量机SVM
来源:互联网 发布:淘宝商标注册入口 编辑:程序博客网 时间:2024/06/02 06:26
引言
粗略的说,支持向量机就是寻找分割线,或者超平面
1. SupportVectorMachines
1.1. 导入代码:
from sklearn.svm import SVCclf = SVC(kernel="linear")
1.2 线性分离
- 输入特征x,y,使用支持向量机分离
1.3 非线性分离
- 从输入特征x,y,到组合新特征,方便分离;比如变为
x2+y2 组合成的新的特征,从而根据到原点的距离不一进行分离。 - 核技巧,kernel trick,将输入的低维,x,y,映射到
x1x2x3x4x5 ,再用支持向量机分离,最后再把解返回到原来的平面内
1.4 svc参数
- kernel,默认’rbf’,包括linear,rbf,poly等
- gamma,核函数自带参数。越小训练时间越短,准确率稍稍降低
- C,参数C越大,得到更多正确的训练点,边界就更加复杂,弯弯曲曲,也容易过拟合
- 详细可以参考:SVM参数详解
1.5 优缺点
明显分界下,优势明显。当数据量大时候,训练时间将是立方数;噪音过多下,也不好
2.支持向量机
2.1 超平面
可以参考:1. SVM开篇提到的超平面概念如何理解?
2. 超平面是什么?——理解超平面(SVM开篇之超平面详解)
阅读全文
0 0
- 3.2 支持向量机SVM
- 支持向量机SVM
- SVM支持向量机
- svm支持向量机
- SVM支持向量机
- [SVM]支持向量机
- SVM 支持向量机
- 支持向量机SVM
- SVM 支持向量机
- svm支持向量机
- 支持向量机SVM
- svm支持向量机
- SVM (支持向量机)
- SVM支持向量机
- SVM支持向量机
- 支持向量机SVM
- 支持向量机(SVM)
- 支持向量机-SVM
- 【算法知识总结】动态规划
- hibernate,LocationSessionFactoryBean
- JNI参数传递详细介绍
- 介绍linux下vi命令的使用
- python atexit模块和register函数
- 3.2 支持向量机SVM
- 如何在AD中批量创建域用户
- Spark 共同好友解决方案:求大量集合的两两交集
- Java 非阻塞式的高伸缩性IO通信 学习demo
- CentOS6.5下redis安装部署配置
- Error:svn: locked svn: is already locked.
- mysql存储过程实战基础入门
- nginx的配置文件详细介绍
- 指定Geany使用的Python版本