西瓜书 习题6.2 用线性核、高斯核训练SVM

最新推荐文章于 2024-07-08 16:57:29 发布
最新推荐文章于 2024-07-08 16:57:29 发布
阅读量7.5k 收藏 47
点赞数 8
分类专栏： ML
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。
本文链接：https://blog.csdn.net/qdbszsj/article/details/79124276
版权
本文介绍了使用sklearn库手动实现SVM，探讨了C值对软间隔的影响，指出C值越大，数据重要性越高，允许的分类差错越少。在面对非线性可分数据集时，线性核无法实现完美划分，而高斯核通过调整C值可以达到无误分类。建议当线性可分时选择线性核，否则采用高斯核。
摘要由CSDN通过智能技术生成

SVM手动实现底层代码有些麻烦，这里借助sklearn实现了一下，数据以及代码地址：

https://github.com/qdbszsj/SVM


import pandas as pd
import numpy as np
dataset = pd.read_csv('/home/parker/watermelonData/watermelon3_0a.csv', delimiter=",")
# print(dataset)

X=dataset.iloc[range(17),[1,2]].values
y=dataset.values[:,3]
print("trueV",y)
trueV=y
from sklearn import svm

linearKernalMethod=svm.SVC(C=10000,kernel='linear')#C=1 defaultly
linearKernalMethod.fit(X,y)
predictV=linearKernalMethod.predict(X)

print("linear",predictV)

confusionMatrix=np.zeros((2,2))
for i in range(len(y)):
    if predictV[i]==trueV[i]:
        if trueV[i]==0:confusionMatrix[0,0]+=1
        else: confusionMatrix[1,1]+=1
    else:
        if trueV[i]==0:confusionMatrix[0,1]+=1
        else:confusionMatrix[1,0]+=1
print("linearConfusi
最低0.47元/天 解锁文章
qdbszsj
关注
专栏目录
《机器学习与数据挖掘》实验六
m0_64351669的博客
12-06 855
《机器学习与数据挖掘》实验六
机器学习(二)线性模型---SVM
Dynomite的博客
06-30 1272
机器学习(二)线性模型—SVM 2.3 SVM   2.3.1 概述   SVM在特征空间找到一个超平面使得超平面能将两类分开，且间隔最大(解唯一)   i. 当训练样本线性可分时，通过硬间隔最大化，学习一个线性分类器，即线性可分支持向量机；   ii. 当训练数据近似线性可分时，引入松弛变量，通过软间隔最大化，学习一个线性分类器，即线性支持向量机；   iii. 当训练数据线...
基于Python的西瓜数据集 3.0α的SVM实现
热门推荐
qq_44459787的博客
12-19 2万+
在西瓜数据集 3.0α 上分别用线性核和高斯核训练一个 SVM，并比较其支持向量的差别。 数据集下载地址： https://amazecourses.obs.cn-north-4.myhuaweicloud.com/datasets/watermelon_3a.csv 任选数据集中的一种分布类型的数据，分别用软、硬间隔SVM和各类核函数训练，并分析他们分类的效果。 数据集下载地址：https://amazecourses.obs.cn-north-4.myhuaweicloud.com/datasets/.
线性核函数
最新发布
hello！
07-08 639
Kxyx⋅yKxyx⋅y其中，xxx和yyy是输入空间的向量，⋅\cdot⋅表示向量的点积（内积）。
周志华《机器学习》习题6.2——使用LIBSVM比较线性核和高斯核的差别
连长少尉
07-14 4760
试使用LIBSVM，在西瓜数据集3.0α上分别用线性核和高斯核训练一个SVM，并比较其支持向量的差别。
分别用线性SVM和高斯核SVM预测对数据进行分类
Yuetian_w的博客
05-29 4906
本文内容分别用线性SVM和高斯核SVM预测对数据进行分类（1）问题描述：（2）训练过程：使用线性核函数的svm算法使用高斯核函数的SVM算法（3）尝试调用sklearn： 分别用线性SVM和高斯核SVM预测对数据进行分类 （1）问题描述： task1_linear.mat中有一批数据点，试用线性SVM对他们进行分类，并在图中画分出决策边界。task1_gaussian中也有一批数据点，试用高斯核SVM对他们进行分类，并在图中画出决策边界。 （2）训练过程： 使用线性核函数的svm算法 加载数据并可视化：
Python——鸢尾花和手写数字识别用线性核和高斯核训练一个svm
weixin_45652976的博客
01-15 1382
题目： 在鸢尾花数据集和 MNIST 手写数字数据库上，分别用线性核和高斯核训练 一个 SVM，写出实验对比结果。要求： (1)使用 70%数据作为训练集，然后对剩余 30%数据测试。 (2)计算分类精确度值。 步骤： # -*- coding: utf-8 -*- ###鸢尾花线性核、高斯核### import numpy as np from sklearn import svm import random import csv from sklearn.metrics import classific
6.3 选择两个 UCI 数据集，分别用线性核和高斯核训练一个 SVM，并与BP 神经网络和 C4.5 决策树进行实验比较。
pied_piperG的博客
04-10 1982
题目要求：6.3 选择两个 UCI 数据集，分别用线性核和高斯核训练一个 SVM，并与BP 神经网络和 C4.5 决策树进行实验比较。将数据库导入site-package文件夹后，可直接进行使用。使用sklearn自带的uci数据集进行测试，并打印展示。而后直接按照包的方法进行操作即可得到C4.5算法操作。使用sklearn的SVM进行训练，并打印训练结果。从github上下载了C4.5算法的数据库。这里给出其中实现算法的代码。
【机器学习】西瓜书_周志华，习题集6.2，使用LIBSVM在西瓜数据集3.0a上分别用线性核和高斯核训练一个SVM，并比较其支持向量的差别。
六六六六神的博客
10-30 9940
【机器学习】西瓜书_周志华，习题集6.2，使用LIBSVM在西瓜数据集3.0a上分别用线性核和高斯核训练一个SVM，并比较其支持向量的差别。 参考资料： LibSVM： https://www.csie.ntu.edu.tw/~cjlin/libsvm/ github： https://github.com/cjlin1/libsvm 1. 环境：Windows10 + python3.5.4 2...
西瓜书课后习题6.2 通过sklearn.svm训练 线性核，高斯核 SVM
weixin_41056428的博客
12-05 2928
import csv from sklearn import svm def dataSet(filename): ''' 获取西瓜3.0alpha数据集 ''' X = [] Y = [] with open(filename) as f: reader = csv.reader(f) head_row = n...
西瓜书6.2代码.zip
06-26
西瓜书6.2代码.zip
西瓜书《机器学习》课后答案——chapter6_6.2
CodeTutor
09-30 7418
6.2 试使用LIBSVM，在西瓜数据集3.0alpha上分别用线性核和高斯核训练一个SVM，并比较其支持向量的差别。 解答： 无论是线性核还是高斯核，在惩罚因子C比较大的时候，支持向量都比较少。这里我们使用C的默认值1。 另外，高斯核还有一个参数γ\gamma，使用默认值1d\frac{1}{d}，d为实例的特征数。（1） 首先，我们需要把3.0alpha西瓜数据集转换成libsvm需要的格
周志华《机器学习》习题6.2
WUTab的博客
01-17 5225
6.2 试用LIBSVM，在西瓜数据集3.0α\alpha上分别用线性核和高斯核训练一个SVM，并比较其支持向量的差别。我用的是sklearn.svm中的SVC类，这个类是基于LIBSVM实现的。很傻瓜式的几行代码就搞定了，答案是它俩得到一样的支持向量。# -*- coding: utf-8 -*- """Excercise 6.2""" import numpy as np import pan
西瓜书课后题——第六章（支持向量机）
qq_37691909的博客
01-02 9929
课后题6.2、西瓜数据集3.0a上分别用线性核和高斯核训练一个SVM，并比较支持向量的区别。 使用LIBSVM经过训练之后发现，线性核和高斯核所得到的支持向量是一样的。LIBSVM的使用见这篇文章：LIBSVM使用 完整代码如下所示： from libsvm.python.svmutil import * import numpy as np A = np.array([[0.697,0....
ML之SVM：利用Js语言设计SVM算法(SMO算法+线性核/高斯核)
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
11-07 1万+
ML之SVM：利用Js语言设计SVM算法(SMO算法+线性核/高斯核) 目录 输出结果 设计思路 设计代码(部分代码) 输出结果 设计思路 设计代码(部分代码) var doTest = function() { loadData(); //调用loadData函数加载样本数据、初始化参数 svm.tra...
机器学习与数据挖掘--用线性核与高斯核训练支持向量机
qq_55949041的博客
11-28 851
用线性核与高斯核训练支持向量机
SVM的核函数之线性和高斯的选择
Jack_kun的博客
12-20 1万+
Table of Contents 关于SVM中线性核函数和高斯核函数的选择1.基本数据准备2.各情况对比1. SVM(kernel='linear')：直接采用数据集[966,1850]2. SVM(kernel='rbf')：直接采用数据集[966,1850]3. LR：直接采用数据集[966,1850]4. 降维之后3.小结 关于SVM中线性核函数和高斯核函数的选择 SVM中常用核函数一般是...
高斯核函数python代码_单类SVM：SVDD
weixin_39560066的博客
12-02 925
话接上文(SVM的简单推导)，这篇文章我们来看单类SVM：SVDD。可能大家会觉得很奇怪，我们为什么需要单分类呢？有篇博客举了一个很有意思的例子。花果山上的老猴子，一生阅猴无数，但是从来没有见过其它的物种。有一天，猪八戒来到花果山找它们的大王，老猴子一声令下，把这个东西给我绑起来！这里老猴子很清楚的知道这个外来物种不是同类，但是它究竟是什么，不得而知。老猴子见过很多猴，它知道猴子的特征，而外来生物...
在西瓜数据集3.0a 上分别用线性核和高斯核训练svm
05-14
在此数据集上，我们可以采用不同的核函数来训练SVM模型，其中包括线性核和高斯核，这两种核函数的训练和预测结果也会有所不同。 线性核是SVM中最常用的核函数之一。它的主要作用是线性转换原始特征空间到高维空间，...
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