通过径向基函数 (RBF) SVM 进行分类
Classification through Radial Basis Function (RBF) SVM
我正在使用 sklearn.svm.SVC (kernel='rbf') 对图像数据进行分类，效果非常好。线性SVM通过在两者之间放置一个超平面类来对数据进行分类。在 rbf SVM 的情况下，平面将处于无限维度。对于任何测试点，我们都可以使用预测来检查它属于哪个。在线性情况下，我们可以通过获取超平面的方程来手动获得预测。我们如何在 rbf SVM 案例中做到这一点。预测在 rbf SVM 案例中是如何工作的。
要事第一
每当我们分类时，我们应该考虑：
- 可以针对高维特征学习分类器 spaces，无需
实际上必须将点映射到高维 space.
- 数据可能在高维space上线性可分，但在原始特征上线性不可分space
- 由于对偶形式的标量积，内核可用于 SVM，但也可用于其他地方——它们不受 SVM 形式主义的约束。
- 内核也适用于非向量对象
例如我会放一些用过的内核。
对于具有高斯内核的 SVM 分类器，我们将有类似的东西：
如您所见，支持向量已被替换，因此我们可以根据结果改变它，例如，考虑两个特征及其彩色点：
并设置一些我们得到的值：
现在
或者
现在当无穷大出现时会发生什么：
然后：
而 adaBoost 与数据集一起玩呢？
http://cseweb.ucsd.edu/~yfreund/adaboost/
如果您愿意，可以测试 Ian Nabney 的 The NETLAB ML Matlab 软件 here
这里有更多 SVM 资源
- Christopher M. Bishop，"Pattern Recognition and Machine Learning"，Springer (2006)，ISBN 0-38-731073-8。
- Hastie、Tibshirani、Friedman，"Elements of Statistical Learning"，第二版，Springer，2009 年。PDF 可在线获取。
- Ian H. Witten 和 Eibe Frank，"Data Mining: Practical Machine Learning Tools and Techniques"，第二版，2005 年。
- David MacKay，"Information Theory, Inference, and Learning Algorithms" 可在线免费获得！
- 汤姆·米切尔，"Machine Learning"，麦格劳希尔，1997 年
我正在使用 sklearn.svm.SVC (kernel='rbf') 对图像数据进行分类，效果非常好。线性SVM通过在两者之间放置一个超平面类来对数据进行分类。在 rbf SVM 的情况下，平面将处于无限维度。对于任何测试点，我们都可以使用预测来检查它属于哪个。在线性情况下，我们可以通过获取超平面的方程来手动获得预测。我们如何在 rbf SVM 案例中做到这一点。预测在 rbf SVM 案例中是如何工作的。
要事第一
每当我们分类时，我们应该考虑：
- 可以针对高维特征学习分类器 spaces，无需 实际上必须将点映射到高维 space.
- 数据可能在高维space上线性可分，但在原始特征上线性不可分space
- 由于对偶形式的标量积，内核可用于 SVM，但也可用于其他地方——它们不受 SVM 形式主义的约束。
- 内核也适用于非向量对象
例如我会放一些用过的内核。
对于具有高斯内核的 SVM 分类器，我们将有类似的东西：
并设置一些我们得到的值：
现在
或者
现在当无穷大出现时会发生什么：
然后：
而 adaBoost 与数据集一起玩呢？ http://cseweb.ucsd.edu/~yfreund/adaboost/
如果您愿意，可以测试 Ian Nabney 的 The NETLAB ML Matlab 软件 here
这里有更多 SVM 资源
- Christopher M. Bishop，"Pattern Recognition and Machine Learning"，Springer (2006)，ISBN 0-38-731073-8。
- Hastie、Tibshirani、Friedman，"Elements of Statistical Learning"，第二版，Springer，2009 年。PDF 可在线获取。
- Ian H. Witten 和 Eibe Frank，"Data Mining: Practical Machine Learning Tools and Techniques"，第二版，2005 年。
- David MacKay，"Information Theory, Inference, and Learning Algorithms" 可在线免费获得！
- 汤姆·米切尔，"Machine Learning"，麦格劳希尔，1997 年