机器学习9、10、12/100天-SVM直观认识

最新推荐文章于 2024-08-08 20:14:48 发布
原创 最新推荐文章于 2024-08-08 20:14:48 发布 · 235 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。

SVM是一种监督学习算法，通过寻找最优超平面进行数据分类。在处理非线性数据时，SVM利用核方法进行维度变换，并通过调整参数如Kernel、Gamma和Regularization来优化模型。Gamma影响数据点对分割平面的贡献，而Regularization控制超平面的复杂度。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

github: 100DaysOfMLCode

What is SVM:

SVM是一种监督学习算法，可用于分类问题和回归问题，主要用于分类问题。在该算法中，将数据的每一个特征看作是n维空间的一个维度，之后对空间中的点进行分类划分。

How is the data Classified:

分类方法是找到一个超平面，可以将数据划分在超平面的两侧。

What is a optimal Hyper-Plane?

最佳超平面是划分的两类数据点中距超平面距离最近的点到超平面的距离最大。

非线性数据

对非线性数据无法找到一个线形平面进行划分，则可以采用维度变换，比如二维空间的一个圆，令z=x2+y2z = x^2 + y^2z=x2+y2,则在三位空间内，对z的划分可以实现圆内和圆外的划分。
通常采用核方法处理非线性数据。

调参

1.Kernel

核方法对数据做变换，多项式、指数等核在更高维度计算划分平面。

2.GAMMA

gamma低表明离分割平面远的点也参与分割平面计算，gamma高表明离分割平面远的点参与度低。

3.REGULARIZATION

正则化，超平面的复杂度

4.MARGIN

机器学习13/100天-SVM实践
zombee0的博客
01-13 296
github: 100DaysOfMLCode 1.导入常用库 import numpy as np import matplotlib.pyplot as plt import pandas as pd 2.导入数据 dataset = pd.read_csv('Social_Network_Ads.csv') X = dataset.iloc[:,[2,3]].values y = da...
机器学习——KNN、SVM、MLP、CNN实现cifar100
weixin_45562632的博客
08-11 4298
机器学习——KNN、SVM、MLP、CNN实现cifar1001.KNN2.SVM3.MLP4.CNN 本文是为期一周的实验课，要求用KNN、SVM、MLP和CNN分别实现cifar100数据集的分类。该实验的目的在于对机器学习有一个直观的感受，且对前段时间所学python基础语法课、机器学习100天（前8天）做个复习。 在网上找到很多资料都是cifar10的实验。本文主要介绍实验代码和实验结果及一些分析，不讲述基础原理。 1.KNN 2.SVM 3.MLP 4.CNN ...
100天搞定机器学习|Day13-14 SVM的实现
weixin_30721077的博客
08-02 111
昨天我们学习了支持向量机基本概念，重申数学推导原理的重要性并向大家介绍了一篇非常不错的文章。今天，我们使用Scikit-Learn中的SVC分类器实现SVM。我们将在day16使用kernel-trick实现SVM。 导入库 import numpy as np import matplotlib.pyplot as plt import pandas as pd　　 导入数据 数据...
学习《机器学习100天》第14天 支持向量机(SVM)的实现
东篱下
02-07 235
github上的项目，跟着一起学习 项目地址    https://github.com/MLEveryday/100-Days-Of-ML-Code 原项目这一天给出的是代码，和第13天实现的代码相同，那么我今天就继续从理论上理解一下SVM。 找到一篇解释SVM的文章。地址是http://www.blogjava.net/zhenandaci/archive/2009/02/13/2545...
学习《机器学习100天》第12天 支持向量机SVM
东篱下
02-02 267
github上的项目，跟着一起学习 项目地址    https://github.com/MLEveryday/100-Days-Of-ML-Code 1、什么是SVM 有监督 可用于分类和回归，主要用于分类 根据特征值，构建n维空间，数据点投影到该空间 2、数据如何分类 找到一个超平面 3、如何定义最佳超平面 最大化一个距离，这个距离是到超平面最近的点的距离 4、线性和非线性...
机器学习100天-9-支持向量机(SVM)
ifeng
03-17 473
SVM简介 支持向量机（support vector machines, SVM）是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；SVM还包括核技巧，这使它成为实质上的非线性分类器。SVM的的学习策略就是间隔最大化，可形式化为一个求解凸二次规划的问题，也等价于正则化的合页损失函数的最小化问题。SVM的的学习算法就是求解凸二次规划的最优化算法。 S...
100天机器学习 -SVM 学习
xiaoshun007的专栏
09-30 177
选择分离超平面的时候不能只看函数间隔，因为等比例的改变 w,b 超平面没有变函数间隔却改变了，需要规范化参数，使得间隔是确定的，即为。这样可以 **在特征空间中直接计算内积 〈φ(xi · φ(x)〉，**而不是，先将特征映射到高维空间，之后再在高维空间做线性分类。观察上面的图，可以发现，对于线性不可分的数据，映射到高维空间中，就可以继续应用线性可分的 SVM思想来解决问题。例如有 10类，1，2，…例如有 4 类，二分类器 (12)，(13)，(14)，(23)，(24)，(34)，
100天搞定机器学习|Day9-12 支持向量机
07-29 468
100天搞定机器学习|Day9-12 支持向量机
中文版《机器学习100天》：每天学一点，入门更轻松
《机器学习100天》是由Avik Jain创建的机器学习项目，该项目旨在通过为期100天的编程实践帮助初学者掌握机器学习的核心知识和技能。Siraj Raval对该项目进行了汉化和编译，使得国内的编程爱好者也能够更方便地学习和...
【机器学习】—SVM中拉格朗日算法和SMO算法
天阑之蓝的博客
08-30 1635
> 博客地址：[天阑之蓝的博客](https://blog.youkuaiyun.com/qq_34069667)，学习过程中不免有困难和迷茫，希望大家都能在这学习的过程中肯定自己，超越自己，最终创造自己。
Python遇见机器学习 ---- 支持向量机SVM
如切如磋，如琢如磨
03-28 730
综述 “看二更云，三更月，四更天。” 本文采用编译器：jupyter 给定训练样本集D，分类学习最基本的想法就是基于训练集D的样本空间中找到一个划分超平面，将不同类别的样本分开。但能将训练样本分开但划分超平面可能有很多，如图。 存在多个划分超平面将两类训练样本分开 直观上看，应该去找位于两类训练样本"正中间"的划分超平面，即图中粗线的那个，因为该划分超平面对训练样本局部扰动的...
机器学习面试-核心概念-问题理解
最新发布
m0_64198455的博客
08-08 1033
分类算法◆定义：将分类规则应用于记录的目标映射，将它们划分为不同的分类，并建立具有泛化能力的算法模型，即构建映射规则以预测未知样本的类别分类算法任务◆分类：经过训练而建立的预测模型在遇到未知样本时会使用建立好的模型对未知样本进行类别的划分◆描述：描述性分类主要解释和区分现有数据集中的特征，例如，描述动植物的各项特征，并进行标注分类，通过这些特征来确定它们属于哪个类别。
机器学习算法之七：5分钟上手SVM
Owen's Blog
10-08 1592
案例：承袭Decision Tree的案例数据，同样用身高和体重来界定胖瘦。如下文字档(7.SVM.txt)，三个栏位各代表身高(m)、体重(kg)与胖瘦(thin/fat)。 问题：现在有两人，其中一位身高1.6m、体重30kg，另一位身高1.6m、体重300kg，请问各是胖是瘦呢？
机器学习 | 机器学习100天(6) --- Linear SVM
sdu_hao的博客
01-16 662
机器学习100天系列学习笔记基于机器学习100天(中文翻译版),机器学习100天(英文原版） 所有代码使用iPython Notebook实现 完整代码 目录 实验综述 数据集 1.数据预处理 2.训练Linear SVM模型 3.预测 4.评估预测 5.可视化(针对低维数据) 实验综述 数据集 1.数据预处理 '''1. 导入相关库''' impor...
斯坦福吴恩达《机器学习》--增强学习
zombee0的博客
01-21 3478
在监督学习中，算法试图模仿训练机的labels y,训练集中的每一个输入x都有一个确定的对应的y，但是对于很多需要连续作决定的问题和控制问题，给算法提供一个明确的标签是很难的。例如我们有一个四足机器人，并且试图让他行走，开始的时候我们并不知道采取怎样的操作使他行走，也不知道怎么给算法提供一个标签来模仿。   在增强学习中，我们会给算法提供一个奖励函数来反应做的好还是不好。
看我如何用python来玩百万英雄
zombee0的博客
01-13 3050
最近答题游戏可谓火爆至极，一时间刷爆了朋友圈，在感叹自己已经跟不上互联网思维，为各位金主大大疯狂“撒币”行为所震惊、振奋的同时，也在想怎么用时下热门的人工智能技术来辅助我们的答题呢，本文将讲述我是如何用python来辅助玩百万英雄的，至于冲顶大会啊，芝士超人啊，等等等啊也都不在话下。 1. 思路 在答题之初就想过用搜索的方式，奈何只有10秒钟答题时间，手速跟不上题速啊！ 那么尝试用siri
GitHub Desktop理解与入门
zombee0的博客
10-14 1806
基本使用创建项目和提交左上角+可以选择本地项目Repository，之后该项目会进入本地GitHub Desktop，如果想上传至GitHub则，则在Summary中填写摘要，Description中添加描述，右上角Publish进行发布从线上导入使用左上角+中的clone,可以将线上项目导入本地fork和pull request通过fork可以将其他人的项目clone到自己的Repository，
斯坦福吴恩达《机器学习》--Fitted value iteration
zombee0的博客
01-24 1702
Fitted value iteration是为了近似连续状态的MDP的价值函数。适用于n维连续状态空间和离散动作空间的MDP。其核心思想是通过机器学习算法将价值函数近似为状态的线性或非线性函数。      算法流程如下图所示：   1.随机的在状态空间中选取m个采样；   2.将参数设定为0；   3.对于采样中的每一个状态，计算最佳动作y，通过监督学习将V(s)学习为状态s的函数
python变量赋值
zombee0的博客
08-16 758
赋值 python变量赋值传递的都是引用，变量赋新对象相当于将当前变量名的标签从原变量上撕下来，贴到新的对象上。 a = [1, 2] b = a 此时a = [1, 2] , b = [1, 2] a[1] = 3 此时a = [1, 3] , b = [1, 3] a = [2, 3] 此时a = [2, 3] , b = [1, 2] Python 中一切皆为对象，数字是对...
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