13、快速SVM实现与神经网络深度学习

最新推荐文章于 2025-12-07 22:07:53 发布

元编程奶

最新推荐文章于 2025-12-07 22:07:53 发布

阅读量21

点赞数

CC 4.0 BY-SA版权

分类专栏：驾驭大规模机器学习文章标签： SVM 神经网络深度学习

本文链接：https://blog.youkuaiyun.com/b9c0d/article/details/152498119

驾驭大规模机器学习专栏收录该内容

29 篇文章 ¥499.90

订阅专栏¥69.90

会员秒杀 ¥9.9 重磅福利

超级会员免费看

快速SVM实现与神经网络深度学习

1. 快速SVM实现

1.1 VW中的神经网络

VW能够实现带有双曲正切（tanh）激活函数的单层神经网络，还可选择使用dropout（通过 --dropout 选项）。虽然只能决定神经元的数量，但这种神经网络在回归和分类问题上都表现出色，并且可以平滑地接受VW的其他转换作为输入，如二次变量和n - 元组。以下是将其应用于波士顿数据集的示例代码：

params = 'boston.vw -f boston.model --loss_function squared -k --cache_file cache_train.vw --passes=20 --nn 5 --dropout'
results = execute_vw(params)
params = '-t boston.vw -i boston.model -k --cache_file cache_test.vw -p boston.test'
results = execute_vw(params)
val_rmse = 0
with open('boston.test', 'rb') as R:
    with open('boston.vw', 'rb') as TRAIN:
        holdouts = 0.0
        for n,(line, example) in enumerate(zip(R,TRAIN)):
            if (n+1) % 10==0:
                predicted = float(line.strip