two-class SVM & one-class SVM & exemplar SVM区别简析

最新推荐文章于 2024-07-18 16:15:47 发布

yj_isee

最新推荐文章于 2024-07-18 16:15:47 发布

阅读量3.8k

点赞数

分类专栏： Machine Learning 模式识别与机器学习研究

本文链接：https://blog.csdn.net/yaoqi_isee/article/details/71023266

版权

本文介绍了two-class SVM、one-class SVM以及exemplar SVM的区别。two-class SVM寻找两类数据间的分割超平面；one-class SVM仅用一类数据找包含所有实例的最小球体；exemplar SVM作为two-class SVM的子单元，每个实例对应一个SVM，可并行训练。训练数据、机器数量及后期处理是它们的主要差异。

摘要由CSDN通过智能技术生成

1.首先从典型的svm讲起，假设我们用A,B两个类的数据，我们需要训练一个分类器来区分这两类数据，那么我们可以通过训练一个two-class SVM，找到A,B之间的分割超平面。

2.如果我现在只有A的数据，并且我只想识别某个instance是不是A，应该怎么办呢？一般的想法是，我有的A的数据之后，我去搜集一些不是A类别的数据，然后训练一个two-class SVM。但这么做的问题在于，非A的dataset很大，并且不是representative的。这样训练出来的SVM效果可能不好。one-class SVM其实就是找到一个最小的sphere包括所有的A的instance。

3.exemplar SVM其实是two-class SVM的subunit，这里正样本只有一个，但是负样本有很多。比如我们需要训练一个狗的分类器，我们可以训练一个two-class SVM（dog vs not dog），我们可以训练一个one-class SVM（dog vs origin），我们也可以对于每一只具体的狗的instance，训练一个exemplar SVM。然后把所有的exemplar SVM ensemble起来，每一个exemplar SVM的训练是可以并行进行的，他们训练的时候也可以看成是在训练一个one-class svm。

总结一下，区别在于：
training data
1. two-class svm: positive samples and negative samples
2. one-class svm: positive samples only
3. ensemble svm: positive and negative samples. each