zoukankan      html  css  js  c++  java
  • SVM支持向量机分类

    一、SVM目标和原理

    svm分为线性可分和线性不可分两种

    线性可分: 

      svm.SVC(C=0.8, kernel='linear', class_weight={-1:1, 1:20})

    线性不可分: 使用径向基(高斯)核函数

      svm.SVC(C=0.8, kernel='rbf', class_weight={-1: 1, 1: 10})

    目标函数:所有样本点到所有可能分界线最小值中的最大值即为目标函数 

           找到目标函数之前首先要找到支撑向量。分界线L1具有无数条,需要在可行范围内使得D的值达到最大

        

    二、SVM损失

      svm分类器即便分类是正确的的也会存在损失,其损失是在支撑向量和切分线之前的样本 距离切分线的距离  

        

    三、SVM参数

      C值越大支撑向量距离切分线的距离越近,C值越小支撑向量距离切分线的距离越远

      gamma 是高斯分布的一个参数,可以理解为其最大直径的 大小 

    四、适合场景

      svm的训练效果和泛华是比较好的但是训练的时间长,适合处理特征少量或者中等的数据,特征多的可以选择logistics回归

  • 相关阅读:
    父子组件例子
    指令
    使用git将代码推到coding
    vue生命周期
    vue 父子组件
    vuex
    使用vue与element组件
    vue02
    使用vue
    telnet 使用
  • 原文地址:https://www.cnblogs.com/bianjing/p/10752633.html
Copyright © 2011-2022 走看看