SVM支持向量机，我用到的自学材料

最新推荐文章于 2024-04-06 10:51:02 发布
原创 最新推荐文章于 2024-04-06 10:51:02 发布 · 659 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#机器学习

本文分享了关于支持向量机(SVM)的学习资料，包括中科大讲义、CMU教程及Platt的SMO算法原文等，适合初学者及进阶学习者使用。

我用到的学习资料：(学习并实现了第二个链接的博文)

http://wenku.baidu.com/view/a2cbe102bed5b9f3f90f1cd6.html

http://www.cnblogs.com/LeftNotEasy/archive/2011/05/02/basic-of-svm.html

另外，感谢宗老师发来的platt的SMO原文。

----------------------------------------------------------------------------------------------

中科大的讲义非常本质非常好：http://staff.ustc.edu.cn/~qiliuql/files/DM2013/2013SVM.pdf

CMU：被中国人引用的图片非常多：http://www.autonlab.org/tutorials/svm15.pdf



【机器学习】支持向量机（SVM）
weixin_63260646的博客
05-24 2792
支持向量机（SVM）的功能强大，通过不同类别的数据点以最大间隔的超平面来实现分类，适用性也很普遍，区分硬间隔与软间隔以及非线性支持向量机，硬间隔也就是数据点是线性可分的情况下优化出的结果，软间隔则是硬间隔的基础上多了几个混乱的数据点，根据计算这些混乱数据点的影响则是引入了松弛变量（我叫它损失函数），非线性支持向量则是当数据点无法进行分类时候将数据从原始空间映射到一个更高维的特征空间从而实现分类。
【ML】支持向量机SVM及Python实现（详细）
最新发布
2401_84009698的博客
04-22 980
外链图片转存中…(img-eDB1nmGi-1713715982862)][外链图片转存中…(img-GS9z4R6X-1713715982863)][外链图片转存中…(img-uwOBzyZS-1713715982863)]
支持向量机学习文档（全）
10-12
支持向量机完整的理论证明，借鉴李航的统计学习方法，吴恩达的斯坦福公开课教程，机器学习实战及代码，编程文档欢迎讨论，共同进步。
机器学习之路（一）---支持向量机SVM
xiake001的专栏
08-23 3524
基本概念 凸函数和凸优化 优化方法 常见的几种最优化方法（梯度下降法、牛顿法、拟牛顿法、共轭梯度法等） logistic回归|梯度下降|牛顿法总结 什么是支持向量机(SVM)？ 支持向量机 (SVM) 是一个类分类器，正式的定义是一个能够将不同类样本在样本空间分隔的超平面。 换句话说，给定一些标记(label)好的训练样本 (监督式学习), SVM算法输出一个最优化的分隔超平
支持向量机SVM——自学第十篇
yh_1021的博客
09-22 529
1、支持向量机 可以解决分类问题，也可以解决回归问题 在上图所示中，有两类数据，如果使用逻辑回归，那在两组数据中找出一条分界线即可，当然这个分界线有很多种可能。如果有一个新的数据，是靠近红色点的那一边，但是没有过线而被分为了蓝色点，在这种情况下的模型的泛化能力是不高的。 我们选择另一条分割线，使得两组数据距离直线的最近距离相等，这样的模型泛化能力较高。 再画出两条与分割线相平行的直线，使得在这...
SVM艰苦自学之路
weixin_43242897的博客
10-14 352
机器学习实战（六）——支持向量机 https://blog.youkuaiyun.com/jiaoyangwm/article/details/79579784 这些球叫做 「data」，把棍子 叫做 「classifier」分类器, 最大间隙trick 叫做「optimization」最优化， 拍桌子叫做「kernelling」, 那张纸叫做「hyperplane」超平面。 当数据为线性可分的时候，也就是...
核支持向量机（SVM）（笔记）
qq_51228515的博客
12-28 3342
最近在自学图灵教材《Python机器学习基础教程》，在csdn以博客的形式做些笔记。 之前在逻辑回归与线性支持向量机中学习了可以用于分类的线性支持向量机（LinearSVC），而核支持向量机（SVM）可以用于更复杂的模型，这些模型无法被输入空间的超平面定义。对于支持向量机而言，它可以用于分类（SVC中实现）和回归（SVR中实现），本文只涉及分类。 线性模型与非线性特征 首先我们来看一下下面的数据集 import mglearn import matplotlib.pyplot as plt fro
逻辑回归( LogisticRegression)和线性支持向量机（LinearSVC）
qq_51228515的博客
12-14 4547
最近在自学图灵教材《Python机器学习基础教程》，在csdn以博客的形式做些笔记。 线性分类模型 线性模型不仅用于回归问题，也广泛应用于分类问题。我们首先来看二分类。这时可以利用下面的公式进行 预测： ŷ = w[0] * x[0] + w[1] * x[1] + …+ w[p] * x[p] + b > 0 这个公式看起来与线性回归的公式非常相似，但我们没有返回特征的加权求和，而是为预 测设置了阈值0。如果函数值小于 0，我们就预测类别 -1；如果函数值大于 0，我们就预测类别 +1。对
理解SVM 的三层境界 —— 自学笔记02
Ghost__l的博客
02-17 376
理解SVM 的三层境界 —— 自学笔记02 主要参考资料为： 1： 结构之法算法之道blog（作者July）的 支持向量机通俗导论（理解SVM的三层境界）。 2: Convex Optimization（作者Stephen Boyd） 本文为以自己思路整理的笔记。 一、了解SVM ☛理解SVM 的三层境界 —— 自学笔记01 二、深入 SVM 优化问题的求解： 前面我们已经得到了要求解的优化问题（公式1.3）。当 1∣∣ω∣∣\frac{1}{||\omega||}∣∣ω∣∣1​ 取得最大值的时候，显然
机器学习-支持向量机 -- 多分类SVM，web前端开发实战项目
2401_84092068的博客
04-06 742
面试题千万不要死记，一定要自己理解，用自己的方式表达出来，在这里预祝各位成功拿下自己心仪的offer。需要完整面试题的朋友可以点击蓝色字体免费获取[外链图片转存中…(img-Pp9e61q8-1712371809549)][外链图片转存中…(img-38denYkp-1712371809550)][外链图片转存中…(img-DEfot3Ej-1712371809550)]
神经网络中快速傅立叶变换(FFT)的梯度传递
Xia Qiaolin - 优快云
09-05 6642
最近需要在神经网络中构造复数酉矩阵做权重系数,使用了快速傅立叶变换和反变换. 但是FFT不是theano的现成操作模块(有人写过对应的代码,所以应该会很快加进去了),所以想自己去写梯度传递来彻底搞清楚这件事. 重新学一遍离散Fourier transform再加找梯度相关的文献学习,整整花了一周时间.从本科一毕业DFT就忘光了... 在此总结了下,不得不说推倒的结果出来以后,真是出乎意料的漂
介数[大数据分析]
Xia Qiaolin - 优快云
06-01 2869
介数通常分为边介数和节点介数两种.节点介数定义为网络中所有最短路径中经过该节点的路径的数目占最短路径总数的比例.边介数定义为网络中所有最短路径中经过该边的路径的数目占最短路径总数的比例.介数反映了相应的节点或者边在整个网络中的作用和影响力，是一个重要的全局几何量，具有很强的现实意义。例如，在社会关系网或技术网络中，介数的分布特征反映了不同人员、资源和技术在相应生产关系中的地位，这对于发现和保护关键
CRF++中的unigram和bigram features指定是uni/bigrams的输出标签
Xia Qiaolin - 优快云
05-15 2681
 Cite: (http://www.cnblogs.com/pangxiaodong/archive/2011/11/21/2256264.html)     unigram/bigram很容易混淆，因为通过unigram-features也可以写出类似%x[-1,0]%x[0,0]这样的单词级别的bigram(二元特征)。而这里的unigram和bigram features指定是un
迄今为止我所见过的将BP算法最好的PPT
Xia Qiaolin - 优快云
09-03 2450
http://www.cedar.buffalo.edu/~srihari/CSE574/Chap5/Chap5.3-BackProp.pdf
图像处理中各种边缘检测的微分算子简单比较(Sobel，Robert， Prewitt，Laplacian，Canny) 【转】
Xia Qiaolin - 优快云
06-01 2001
不同图像灰度不同，边界处一般会有明显的边缘，利用此特征可以分割图像。需要说明的是：边缘和物体间的边界并不等同，边缘指的是图像中像素的值有突变的地方，而物体间的边界指的是现实场景中的存在于物体之间的边界。有可能有边缘的地方并非边界，也有可能边界的地方并无边缘，因为现实世界中的物体是三维的，而图像只具有二维信息，从三维到二维的投影成像不可避免的会丢失一部分信息；另外，成像过程中的光照和噪声也是不可避免
NP问题
Xia Qiaolin - 优快云
06-01 804
简述首先需要介绍P(Polynomial,多项式)问题.P问题是可以在多项式时间内被确定机(通常意义的计算机)解决的问题.NP(Non-Deterministic Polynomial, 非确定多项式)问题,是指可以在多项式时间内被非确定机(他可以猜,他总是能猜到最能满足你需要的那种选择,如果你让他解决n皇后问题,他只要猜n次就能完成----每次都是那么幸运)解决的问题.这里有一个著名的问题---
用SMO算法实现了SVM的感悟
Xia Qiaolin - 优快云
07-08 691
 自己的感悟： 我用SMO算法实现了SVM，其实SMO就是一开始认为所有的alpha=0（0 随着优化深入，alpha能够做到精确的越来越多（Question：可能有【前面优化过的alpha【因后面的alpha优化使目标函数精确化从而再一次检测出Error_Cache步长>0】被再次优化】的情况吗？），模糊区之外的（随着alpha的更新Error_Cache在变）越来越少，b也变得越来越
LoG算子
Xia Qiaolin - 优快云
06-01 671
http://www.cnblogs.com/ztfei/archive/2012/09/01/2667050.html
SVM支持向量机学习笔记：理解与应用
"SVM学习笔记，主要介绍了支持向量机（SVM）的概念，包括二维和多维情况下的理解，以及SVM的目标函数、拉格朗日乘子法和优化过程。此外，还讨论了松驰变量在处理不可分数据时的作用，并提到了SVM的泛化能力与分类...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值