html5 wap网站,网站制作建站,亚马逊全球开店,wordpress伪静态404错误一、概念
1.支持向量机#xff08;support vector machine#xff0c;SVM#xff09;#xff1a; #xff08;1#xff09;基于统计学理论的监督学习方法#xff0c;但不属于生成式模型#xff0c;而是判别式模型。 #xff08;2#xff09;支持向量机在各个领域内的…一、概念
1.支持向量机support vector machineSVM 1基于统计学理论的监督学习方法但不属于生成式模型而是判别式模型。 2支持向量机在各个领域内的模式识别问题中都有广泛应用包括人脸识别、文本分类、笔迹识别等。 3在解决小样本、非线性及高维模式识别等问题中表现出了许多特有的优势。 4在函数模拟、模式识别和数据分类等领域也取得了极好的应用效果。 2.分三种但是前两种差不多 1线性可分时通过硬间隔最大化。 2近似线性可分时通过软间隔最大化。 3不可分时通过使用核技巧以及软间隔最大化。 3.线性可分SVM 1原理在这n维的数据空间中找到一个超平面Hyper Plane将所有的正例划分到超平面的一侧将所有的负例划分到超平面的另一侧。 2超平面可以有无数个所以寻找边际最大的平面。 3硬间隔缺点 对于异常值过于敏感就是有的值它离超平面异常的近导致一系列问题 4所以引入了软间隔也就是上面的近似线性可分它nb在允许少量分类错误以此消除硬间隔所产生的问题。 5上述只是二分类但是多分类也可以不要产生思维禁锢了解即可。 4.非线性问题核函数 1在空间中无法用一条直线线性将数据集中的正例和负例正确地分隔开但可以用一条圆形曲线非线性分隔。 2对此采用核函数来解决原理是从低纬升至高维是的你没有看错相当于从一张纸变成一块积木。 但是看似复杂了但是实际上也确实很难。 但是解释起来很简单就是把正例和负例从原来在一个面上剥离一个全部在“上面”一个全部在下面。 3对此产生的问题维度灾难 二、习题
多选题 10. 下列关于支持向量机的说法正确的是 ABC A、可用于多分类问题 B、超平面的位置仅由支持向量决定与其他样本点无关。 C、支持非线性的核函数 D、是一种监督式的学习方法属于生成式模型。
