圖說圖解機器學(xué)習(xí)（第2版） 課件 09. 支持向量機_第1頁
圖說圖解機器學(xué)習(xí)（第2版） 課件 09. 支持向量機_第2頁
圖說圖解機器學(xué)習(xí)（第2版） 課件 09. 支持向量機_第3頁
圖說圖解機器學(xué)習(xí)（第2版） 課件 09. 支持向量機_第4頁
圖說圖解機器學(xué)習(xí)（第2版） 課件 09. 支持向量機_第5頁
已閱讀5頁，還剩24頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進行舉報或認領(lǐng)

文檔簡介

人工智能

--

支持向量機SVM大綱支持向量機簡介核模型調(diào)參KNIME建立工作流大綱支持向量機簡介支持向量機簡介應(yīng)用于分類與回歸分析中分析/wiki/Support-vector_machine支持向量機簡介找到一個超平面，使其產(chǎn)生一個將數(shù)據(jù)分類的最大間距很多種分類方法？SVM

要那個最好的什么是好：找一條馬路作為分界線馬路越寬越好yx0最佳超平面最大邊界寬度xy0支持向量機簡介支持向量支持向量xy0支持向量機與邏輯回歸SVM損失函數(shù)支持向量機與邏輯回歸Hingeloss沒有Logisticloss上升的快。也就是說，Logisticloss對于異常值會有更大的懲罰，導(dǎo)致邏輯回歸對異常點的容忍程度相對較低。支持向量機與邏輯回歸不管哪個損失函數(shù)，即使分類對了，在邊界附近的值也會受到懲罰，這導(dǎo)致二者都會要求能夠更好地分類，從而使各個值能夠盡可能地遠離邊界。支持向量機與邏輯回歸即使一個值被確信地分類了，也就是它離得邊界很遠，Logisticloss也不會變?yōu)榱恪＿@導(dǎo)致邏輯回歸進一步要求所有點都能夠進一步遠離邊界。支持向量機與邏輯回歸如果一個值被比較好地分類了，也就是它離得邊界比較遠，Hingeloss立即變?yōu)?。這導(dǎo)致支持向量機并不在乎分類正確的較遠的點到底在哪，它只在意邊界附近的點（支持向量）大綱核核這種情況很簡單核沒辦法線性分割啊核高斯（RBF）使用高斯函數(shù)作為核使用一個超平面線性分割核高斯（RBF）細粗大綱模型調(diào)參模型調(diào)參

獎勵寬邊界懲罰錯誤分類正則化損失函數(shù):C

越大，Hinge

Loss

的影響越突出線性核

支持向量

xy模型調(diào)參

線性核正則化參數(shù)

C：模型有多嚴厲模型調(diào)參C

小

邊界更寬C

大

邊界更窄容易過擬合非線性（RBF

核）正則化參數(shù)

C：模型有多嚴厲模型調(diào)參C

小

邊界更寬C

大

邊界更窄容易過擬合非線性（RBF

核）gamma:數(shù)據(jù)有多膽怯模型調(diào)參gamma非線性（RBF

核）gamma:數(shù)據(jù)有多膽怯模型調(diào)參gamma

大容易過擬合gamma

小C

與gamma的比較二者小都會導(dǎo)致邊界“更直”，大都會導(dǎo)致邊界“彎曲”C是因為影響了邊界寬度gamma是因為影響了數(shù)據(jù)的影響范圍大綱例子乳腺癌診斷/uciml/breast-cancer-wisconsin-data/home根據(jù)之前的知識，建立工作流并判斷小結(jié)&提問SVM找到一個超平面

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽，若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論