SVM要点总结(一)

匿名 (未验证) 提交于 2019-12-03 00:40:02

SVM支持向量机作为统计分类和回归分析中的重要方法,其理论推导难度较大,根据自己查阅的相关资料,按照问题理解、待处理数据是否可分的判断、主要推导过程、核函数的选择及推导、核函数的选择原则、python实现的相关方法、超参数调优等内容,以粗线条的方式,总结如下要点,方便查阅和易于理解:

1.问题分解

SVM是寻求最优的分割超平面问题<=>带一系列不等式约束的优化问题。

2.待处理数据是否可分的判断

(1)低维数据(1,2维),可有图清晰看出是否可分;

(2)高维数据(>2维):将数据转换成凸包(scipy.spatial.qhull()),再判断凸包是否相交(sweepline()未找到相关资料)。若相交,则不可分;否则,可分。

3.主要推导过程

 4.python实现的相关方法

sklearn.svm

对于回归:SVC,NuSVC,LinearSVC

对于分类:SVR,NuSVR,LinearSVR

 待续

 

原文:https://www.cnblogs.com/Byron-ourLove/p/9272831.html

易学教程内所有资源均来自网络或用户发布的内容,如有违反法律规定的内容欢迎反馈
该文章没有解决你所遇到的问题?点击提问,说说你的问题,让更多的人一起探讨吧!