2017-4-17
来源:互联网 发布:淘宝网工程抢险车警灯 编辑:程序博客网 时间:2024/06/15 02:08
上周学习情况:
(1)确定攻击主要来自4个方面,并将会对这几方面做实验:
- 拒绝服务,如SYN洪水;
- R2L:从远程计算机上未经授权的访问,例如:猜测密码;
- U2R:未经授权的访问本地超级用户(root)的权限,例如,各种“缓冲区溢出”攻击;
- 探测:监视和其他探测,例如,端口扫描。
(2)下载了kdd cpu99数据集,打算对这个数据做实验
(3)打算使用WSVM:加权支持向量机实验,并对惩罚参数和核函数稍作改进,作为论文的算法。
《不确定性支持向量机算法及应用》
第一章 最优理论基础
1.1最优化问题
1.1.1
- f(x) –>目标函数
- x –>决策变量
- S –>约束条件
1.1.2
线性规划
1.1.3
凸最优化
1.2最优性条件
KKT条件
1.3最优化算法
线性逼近法 线性约束条件下的线性逼近法 非线性约束条件下的线性逼近法可行方向法投影梯度法罚函数法
第二章 不确定性数学问题
2.1 模糊数学
隶属函数隶属程度过渡点
2.2 粗糙集 rough sets
2.3 未确知理论
第三章 统计学习理论与支持向量机
3.1 统计学习理论
3.2 支持向量机分类
2017-4-28
start>>
选定训练集合测试集 >> 规范化 >> 特征提取 >>
利用训练集训练分类器得到model >>
利用model对测试集进行预测 >>
分类器性能评估[准确率高低]
mex -setup <或mex -v name.cpp看具体>
make
对于数据.mat需要先加载进来
load heart_scale.mat (有两个,一个数据矩阵heart_scale_inst,一个标签矩阵heart_scale_label)
①训练集:train = heart_scale_inst;
②训练集标签:train_label = heart_scale_label;
③④测试集,测试集标签暂定和训练集中一样
test = train;
test_label = train_label;
生成model
model = svmtrain(train_label,train,’-c 2 -g 0.01’);
预测
[predict_label,accuracy,decison_value] = svmpredict(test_label,test,model,’-b 0’);
结果显示:
Accuracy = 85.1852% (230/270) (classification)
实验2:wine
wine_SVM.m
随机分训练集 测试集
Accuracy = 90.9091% (80/88) (classification)
实验2.2:wine 规范化
加上规范化翻书,不是必须的
实验3:wine 三分类
svm2.m
0 0
- 2017-4-17
- 2017-4-17
- 2017 4 17 每日总结(一)
- 吃饭2017年4月17日14:29:17
- 2017年4月17日工作日记
- 我是明晃晃的开端(2017/4/17)
- 2017年4月17日面试题
- C#(2017-01-17)
- 2017/1/17
- 2017/1/17 honker
- CVPR 2017-01-17
- 2017-1-17
- 2017-02-17
- 2017-02-17
- 2017/2/17 开坑
- 2017-2-17get
- CVPR 2017-02-17
- C#(2017-02-17)
- linux内核文件权限管理
- Spring的IOC原理(转载)
- android新特性:使用CollapsingToolbarLayout实现折叠效果及问题解决
- ReactiveCocoa学习之创建信号
- oracle中sysdate时间的加减
- 2017-4-17
- 背景建模算法
- CSS3的背景
- Apache下的FileUtils.listFiles方法简单使用技巧
- 微信网页开发
- 【SPFA模板】nyoj1274 信道安全 9th河南省赛;
- HEVC集成
- scrollview原理
- LEETCODE60. Permutation Sequence