机器学习之SVM(核函数和实践)

1280-金同学

发表文章数:53

首页 » 算法 » 正文

一、SVM之核函数

 在实践问题中,可以使用核函数,将原始输入空间映射到新的特征空间,从而,使得原本线性不可分的样本可能在核空间可分:
 常用核函数总结:

机器学习之SVM(核函数和实践)
多项式核函数变化:
机器学习之SVM(核函数和实践)
高斯核函数映射示意图:
机器学习之SVM(核函数和实践)
高斯核函数映射示意图:
机器学习之SVM(核函数和实践)

二、SVM实践:

sklearn SVM :
from sklearn import svm;
SVM 使用示例:

clf = svm.SVC(C=0.1, kernel='linear', decision_function_shape='ovr')
cl svm.SVC(C=0.8, kernel='rbf', gamma=20, decision_function_shape='ovr')
cl svm.SVC(C=0.8, kernel='rbf', gamma=20, decision_function_shape='ovo')

调参参数:C,gamma

构建样例数据,以及np.arrary().reshape和flattern()

    x = np.empty((4*N, 2))
    means = [(-1, 1), (1, 1), (1, -1), (-1, -1)]
    sigmas = [np.eye(2), 2*np.eye(2), np.diag((1,2)), np.array(((2,1),(1,2)))]
    for i in range(4):
        mn = stats.multivariate_normal(means[i], sigmas[i]*0.3)
        x[i*N:(i+1)*N, :] = mn.rvs(N)
    a = np.array((0,1,2,3)).reshape((-1, 1))
    y = np.tile(a, N).flatten()

未经允许不得转载:作者:1280-金同学, 转载或复制请以 超链接形式 并注明出处 拜师资源博客
原文地址:《机器学习之SVM(核函数和实践)》 发布于2020-11-14

分享到:
赞(0) 打赏

评论 抢沙发

评论前必须登录!

  注册



长按图片转发给朋友

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

微信扫一扫打赏

Vieu3.3主题
专业打造轻量级个人企业风格博客主题!专注于前端开发,全站响应式布局自适应模板。

登录

忘记密码 ?

您也可以使用第三方帐号快捷登录

Q Q 登 录
微 博 登 录