支持向量机 (SVMs) 可用于以下监督学习算法: 分类, 回归 和 异常检测. 支持向量机的优势在于: 在高维空间中非常高效. 即使在数据维度比样本数量大的情况下仍然有效. 在决策函数（称为支持向量）中使用训练集的子集,因此它也是高效利用内存的. 通用性: 不同的核函数 核函数 与特定的决策函数一一对应.常见的 kernel 已经提供,也可以指定定制的内核. 支持向量机的缺点包括: 如果特征数量比样本数量大得多,在选择核函数 核函数 时要避免过拟合, 而且正则化项是非常重要的.
本文介绍了如何使用支持向量机（SVM）进行fashion-mnist图像分类。SVM在高维空间中表现高效，适用于数据维度大于样本数量的情况。尽管存在过拟合风险和不直接提供概率估计的缺点，但通过选择合适的核函数和正则化，可以实现有效的分类。文中展示了SVM的训练过程，最终得到的准确率为0.8927。
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
