有监督学习——支持向量机、朴素贝叶斯分类

已于 2024-05-05 11:07:45 修改
阅读量1.1k 收藏 23
点赞数 24
文章标签： 支持向量机 学习 分类
于 2024-02-01 11:45:00 首次发布
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/AAI666666/article/details/135629350
版权

1. 支持向量机

支持向量机（Support Vector Machine, SVM）最初被用来解决线性问题，加入核函数后能够解决非线性问题。主要优点是能适应小样本数量 高维度特征的数据集，甚至是特征维度数高于训练样本数的情况。

先介绍几个概念：

  • 最优超平面：Hyperplane，SVM通过学习数据空间中的超平面达到二值分类。在预测中，在超平面一侧被认为是一个类型的数据，另一侧被认为是另一种类型数据。

超平面在一维空间中是一个点；在二维中是一条线；三维中是一个平面。在更高维度只能描述为“超平面”。普通线性可分问题中，符合分类要求的超平面会有无穷多个。

  • 软间隔：Soft Margin，是为了解决因噪声数据导致的过拟合，允许计算超平面时在训练集上存在错误数据。

有时，在当下维度，无论如何都找不到合适的超平面分割两类数据，这就是所谓的非线性问题。但是，任何有限维度的非线性问题在更高维度的空间里总可以变换成线性可分问题。

SVM可以拉格朗日乘子法（Lagrange Multiplier）实现对超平面求解问题的升维。通过拉格朗日乘子法将求超平面参数的目标转换为用高维中数据点向量两两点积（dot-product）值求解二次规划问题，SVM无须将所有训练数据映射到高维空间，而只需要知道这些数据在高维空间里的点积。

  • 核函数：Kernel Function，输入为两个低维空间向量，输出高维空间点积的函数。SVM选择核函数既可以选择一些通用核函数，也可以自定义。

核函数

一些常用的核函数如下：

  • 线性核（linear）：直接返回输入向量的点积，速度最快。因为实际并没有升维，适合于本身特征维度较高、样本数量很大的场景。
  • 多项式核（ploynomial）：k(p,q)=(p⋅q+1)×d，其中超参数d是提升到的维度。
  • 高斯径向基核（Gaussian radial basis function）：k(p,q)=exp(−γ||p−q||2)，应用最广泛的SVM核，γ参数值越大越容易拟合。
  • Sigmoid核：k(p,q)=tanh(a×p⋅q+r)，其中tanh(x)=ex−e−xex+e−x也是一种非线性核，有两个超参数a、r可以调整。

scikit-learn中的SVM

在sklearn.svm中提供了三种分类/回归封装类。

  • SVC/SVR：最普通的SVM分类器/回归器，可通过kernel参数设置使用的核函数，使用C参数配置松弛因子。

  • NuSVC/NuSVR：带有nu参数的分类器/回归器，nu参数的作用与C参数类似，都是用来配置模型对训练数据的拟合程度的。

  • LinearSVC/LinearSVR：使用liblinear库的线性核函数分类器/回归器，其在模型中加入了线性回归惩罚参数。

    以SVC类为例：

from sklearn import svm # 引入SVM包
X = [[0, 0], [2, 2]]    # 训练数据
y = [1, 2]
clf = svm.SVC(kernel='rbf') # 初始化使用径向基核分类器
clf.fit(X, y)   # 训练
t = [[2, 1], [0, 1]]    # 测试集
clf.predict(t)
# array([2, 1])

clf.decision_function(t)
# array([ 0.52444566, -0.52444566])

训练和预测方法与之前的模型差别较小，注意decision_function()函数，他返回的是输入的数据集与模型超平面之间的距离，正负关系表示超平面的哪一测，另外，距离绝对值越大则分类的可靠性越高。

名称解释SVC/SCRNuSVC/NuSVRLinearSVC/LinearSVR
C松弛因子，取值0−∞√√
kernel取值"linear" “poly” “rbf” "sigmoid"等√√
gamma“ploy” “rbf” “sigmoid” 三种核的超参数√√
tolSMO算法中的停止阈值√√√
nu取值0~1，控制对训练数据的拟合程度√
penalty线性模型惩罚项，“l1"或"l2”√

2. 朴素贝叶斯分类

朴素贝叶斯（Naive Bayes）是一种非常简单的分类算法。优点在于可以对预测标签给出理论上完美的可能性估计，但要求数据多维特征之间相互独立。

基础概率

  • 概率值常用P表示，古典概率取值范围为[0,1]，e.g.事件A一定不会发生，则有概率P(A)=0

  • 条件概率：用P(A|B)表达，意为：若发生B，发生A的概率为多少。

  • 联合概率：表示两件事同时发生的概率，表达式包括：P(AB)、P(A,B)、P(A⋂B)。意为：事件A、B同时发生的概率为多少。

  • 事件之间并的概率：P(A⋃B)，意为：事件A或B至少一个事件发生的概率。

  • 加法原理：P(A⋃B)=P(A)+P(B)−P(A⋂B)

  • 乘法原理：P(A⋂B)=P(B)⋅P(A|B)=P(A)⋅P(B|A)

  • 两事件独立的充分必要条件：P(A⋂B)=P(A)⋅P(B)，即事件B发生对事件A是否没有任何影响，即P(A|B)=P(A)，反之亦然。

  • 贝叶斯定理：P(A|B)=P(A)P(B|A)P(B)，其中：

    • P(A|B)：后验概率，是指在得到“结果”的信息后重新修正的概率，是“执果寻因”问题中的"果"。例如，如果我们从红色盒子和蓝色盒子中随机抽取一个水果，发现是苹果，那么这个苹果来自蓝色盒子的概率就是一个后验概率。
    • P(A)：先验概率，是指根据以往经验和分析得到的概率，如全概率公式。它是在实验或采样前就可以得到的概率。例如，我们知道骰子每个面出现的概率都是1/6，这就是一个先验概率。
    • P(B|A)：似然度，是用来度量模型和数据之间的相似度的一个函数。它是给定模型参数下，观察到数据的概率。例如，如果我们假设硬币朝上的概率是p，那么抛5次看到3次朝上的似然度就是L§=C(5,3)∗p3∗(1−p)2。
    • P(B)：标准化常量，是贝叶斯公式中的一个分母，用来保证后验概率的和为1。它等于全概率公式的结果，即所有可能的原因导致结果的概率之和。

举例讲解下贝叶斯定理的使用：

有两个袋子：

  • a袋：4个红球，3个绿球，3个黄球
  • b袋：2个红球，7个绿球，11个黄球

任取一袋，再从中取出一颗巧克力发现其为红色，那么它来自a的概率是多少？

根据问题定义：

  • 事件A：取到a袋
  • 事件B：取到红球

计算贝叶斯定理中的各项：

  • 先验概率：取到a袋的概率，P(A)=12
  • 似然度：在a袋中取红球的概率P(B|A)=44+3+3=25
  • 标准化常量：即取红球的概率，取到红球的=取a袋中的红球的概率+取b袋中的红球的概率，P(B)=12×410+12×220=14
  • 后验概率（最后的答案）：P(A|B)=P(A)P(B|A)P(B)=(1/2)×(2/5)1/4=45

贝叶斯分类原理

在有监督学习中，朴素贝叶斯定义公式P(A|B)=P(A)P(B|A)P(B)中的事件A看成被分类标签，事件B看成数据特征。通常数据特征是n维的，因此P(B)演变为n个特征的联合概率，因此在机器学习中，贝叶斯公式为：

P(y|x1,x2…xn)=P(y)P(x1,x2,…xn|y)P(x1,x2,…xn)

x1,x2,…xn是数据的n维特征，y是预测标签。

  1. 预测：在给定特征情况下，使用贝叶斯公式计算每个标签的后验概率。最后获得最高概率的标签便是预测标签。此外，不仅是最可能的标签，也能给出其他标签的概率。

  2. 训练：对于训练来说关注的是贝叶斯公式中右侧的先验概率和似然度。

    • 先验概率：可由训练者根据经验直接给出，也可自动计算：统计训练数据中每个标签的出现次数，除以训练总数就可直接得到每个标签的先验概率P(y)。
    • 似然度：假定n维特征的条件概率符合某种联合分布，根据训练样本估计该分布的参数。比如对于高斯分布来说，学习参数有期望值和方差。

  3. 独立假设：朴素贝叶斯假设所有n维特征之间是相互独立的（所以叫naive）。这简化了计算难度，事件独立性的充分必要条件有：

P(x1,x2,…xn)=P(x1)×P(x2)×…×P(xn)

似然函数为：

P(x1,x2,…xn|y)=P(x1|y)×P(x2|y)×…×P(xn|y)

高斯朴素贝叶斯（Gaussian Naive Bayes）

高斯朴素贝叶斯使用的高斯分布就是常说的正态分布，假定所有特征条件分布符合：

P(xi|y)=12πσy2exp⁡(−(xi−μy)22σy2)

其中μy、σy被学习的模型参数特征期望值和方差。

from sklearn import datasets    # scikit-learn资料数据库
iris = datasets.load_iris()

from sklearn.naive_bayes import GaussianNB  # 引入高斯朴素贝叶斯模型
gnb = GaussianNB()  # 初始化模型对象
gnb.fit(iris.data, iris.target) # 训练

gnb.class_prior_    # 查看模型先验概率
# array([0.33333333, 0.33333333, 0.33333333]) # 有三种标签，先验概率各自为1/3

gnb.class_count_    # 查看训练集标签数量
# array([50., 50., 50.])    # 训练集每种标签有50个样本

# 由于数据有四维特征，且有三种标签，因此训练后产生3*4=12个高斯模型
gnb.theta_ # 查看高斯模型期望值
# array([[5.006, 3.428, 1.462, 0.246],
#        [5.936, 2.77 , 4.26 , 1.326],
#        [6.588, 2.974, 5.552, 2.026]])

gnb.var_  # 查看高斯模型方差
# array([[0.121764, 0.140816, 0.029556, 0.010884],
#        [0.261104, 0.0965  , 0.2164  , 0.038324],
#        [0.396256, 0.101924, 0.298496, 0.073924]])

多项式朴素贝叶斯（Multinomial Naive Bayes）

多项式朴素贝叶斯是用多项分布（Multinomial Distribution）作为似然度概率模型的分类器。衡量的是特征在不同标签之间的分布比例关系，因此特别适合文本分类场景（每个单词在不同类型文章中有一定的分布比例）。

多项式分布的概念：假设某件事件的结果有k种可能，在实验了n次之后，每种结果出现了若干。

多项式便是用于描述在试验了n次之后每种结果发生次数概率的分布。

e.g.普通的骰子有6面，掷骰子的结果便是k=6的多项式分布。

scikit-learn中的MultinomialNB实现了多项式朴素贝叶斯，使用与高斯朴素贝叶斯相似。

伯努利朴素贝叶斯（Bernoulli Naive Bayes）

伯努利贝叶斯使用伯努利分布（Bernoulli Distribution），所谓伯努利分布也称二值分布，用来描述一次实验只可能出现两种结果的事件概率分布。在学习该模型中要求数据中的所有特征都是布尔/二值类型。贝叶斯公式中第i个特征的似然度：

P(xi|y)=P(i|y)xi+(1−P(i|y))(1−xi)

其中P(i|y)是第i个特征在所有该标签训练数据中出现的比。

from sklearn.naive_bayes import BernoulliNB
# 参数binarize是一个阈值，将非二值转化为二值
clf = BernoulliNB(binarize=1) # 设置特征阈值为1

X = [[0.3, 0.2], [1.3, 1.2], [1.1, 1.2]]
Y = [0, 1, 1]
clf.fit(X, Y)   # 训练
clf.predict([[0.99, 0.99]])   # 预测
# array([0])

由于阈值为1的缘故，特征[0.99, 0.99]被认为与[0.3, 0.2]一类，而不是与在数值上与[1.1, 1.2]为同一类标签。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

在这里插入图片描述

在这里插入图片描述

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取==🆓

在这里插入图片描述

AAI机器之心
关注
  • 24
    点赞
  • 踩
  • 23
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
NLP-Task5——朴素贝叶斯和支持向量机原理
nht1996的博客
05-20 369
朴素贝叶斯分类器 简介 假定输入的特征是x1,x2,...,xnx_1,x_2,...,x_nx1​,x2​,...,xn​，输出的分类是y，朴素贝叶斯模型使用贝叶斯公式计算后验概率： P(y∣x1,…,xn)=P(y)P(x1,…xn∣y)P(x1,…,xn) P\left(y | x_{1}, \ldots, x_{n}\right)=\frac{P(y) P\left(x_{1}, \ldo...
数据分类机器学习算法（支持向量机 | 朴素贝叶斯 | 逻辑回归 | 决策树 | 神经网络）
跨学科知识视角展现
04-25 3514
分类 分类算法是机器学习技术，用于预测输入数据属于哪个类别。他们是有监督的学习任务，这意味着他们需要标记的训练示例。 案例 根据症状，实验室结果和历史诊断预测临床诊断 使用索赔金额，药物易感性，疾病和提供者等数据预测医疗保健索赔是否为欺诈 以下是用于预测分类结果的最常用算法的介绍：支持向量机，朴素贝叶斯，逻辑回归，决策树和神经网络 支持向量机 如果在n维空间（其中n是要素数量）中绘制数据，则支持向量机（SVM）会尝试拟合最能区分类别的超平面。 当您有一个新的数据点时，它相对于超平面的位置将预测该点属于哪
程序员最趁手的SVM算法，学完你会哭着感谢努力的自己！下篇.
最新发布
CKissjy的博客
05-13 628
这段代码使用 Scikit-learn 库中的 SVC 类来创建不平衡类别支持向量机模型，并使用plotly库绘制三维图来展示决策边界。通过拟合模型并预测网格点上的分类结果，我们可以得到决策边界，并将其可视化。核贝叶斯支持向量机通过学习一些已知的例子，并找到一个特殊的边界，用于将不同的事物区分开来。它的目标是通过调整决策边界，使得分类模型能够更好地识别少数类别，并提高整体分类准确率。文本分类：在某些特定的主题或事件中，负面评论或垃圾邮件的数量相对较少。核贝叶斯支持向量机可以应用于很多现实生活中的问题。
【LSTM分类】基于贝叶斯结合支持向量机BO-SVM的数据分类预测附matlab代码
matlab_dingdang的博客
09-06 221
在当今信息时代，数据分类预测成为了许多领域中的重要任务。而随着深度学习技术的快速发展，长短期记忆网络（LSTM）作为一种强大的序列模型，被广泛应用于各种数据分类问题中。本文将介绍一种基于贝叶斯结合支持向量机（BO-SVM）的方法，来进一步提高LSTM在数据分类预测中的性能。首先，我们需要了解LSTM和BO-SVM的基本概念。LSTM是一种特殊的循环神经网络（RNN），其内部结构包含了输入门、遗忘门和输出门等关键组件，使其能够有效地处理长期依赖关系。
机器学习实战17-高斯朴素贝叶斯(GaussianNB)模型的实际应用，结合生活中的生动例子帮助大家理解
weixin_42878111的博客
04-01 2957
大家好，我是微学AI，今天给大家介绍一下机器学习实战17-高斯朴素贝叶斯(GaussianNB)模型的实际应用，结合生活中的生动例子帮助大家理解。GaussianNB，即高斯朴素贝叶斯模型，是一种基于概率论的分类算法，广泛应用于机器学习领域。该模型假设特征之间相互独立，并且每个特征服从高斯分布（正态分布），通过学习训练数据集中的先验概率和条件概率来实现对未知数据的预测。
使用支持向量机和朴素贝叶斯对文本分类
qq_36128101的博客
05-06 796
SVM 通常能提供更高的准确率，特别是在数据量大且特征维数高的情况下。 Naive Bayes 训练和预测速度快，适用于简单或中小规模的文本分类任务。
机器学习——朴素贝叶斯
qq_41566819的博客
12-27 1410
朴素贝叶斯算法或朴素贝叶斯分类器(Naive Bayes Classifier,NBC)发源于古典数学理论，是基于贝叶斯理论与特征条件独立假设的分类方法，通过单独考量每一特征被分类的条件概率作出分类预测。
监督分类-支持向量机分类法
m0_46527440的博客
06-19 7613
最近跟着老师做课题，一个关于积雪的课题，我处理的部分是对积雪图片的二值化，从而得到控制点区域内积雪与掉落物的比例。在经过多次摸索后，决定使用监督分类中的SVM(支持向量机分类法)分类，效果很不错。在之后的数据就使用这个算法。 监督分类(Supervised Classification)又称训练场地法，它基于训练样本以概率统计理论为基础，即在具有遥感影像样本区分类类别属性的先验知识基础上，采集训练区的样本创建训练分类器，进而对整幅影像进行类型划分，将每个像元归并到对应的类别中。 监督分类一般分为三个步骤:1
【高性能计算】监督学习之支持向量机分类实验
慢热型网友的博客
06-21 1707
然后，计算测试样本与最优超平面之间的距离（距离的计算是以超平面上的支持向量计算的）。(3) 如果 kernelType 为 ‘rbf’，那么就使用径向基函数（RBF）核计算 kernelValue，这里计算每个训练样本与待计算样本之间的欧氏距离，并根据参数 sigma 计算出高斯核函数的值。总之，SVM 通过特征映射和最优超平面的选择，将不同类别的样本点分开，并在测试时，通过计算距离来对新的样本点进行分类。需要注意的是，SVM的参数设定与数据集密切相关，需要针对不同的数据集进行调整。
监督分类：SVM即支持向量机实现遥感影像监督分类（更新：添加机器学习模型存储、大影像划框拼接）
qq_20373723的博客
05-01 7193
前面已经有一个版本了，但是影像太大内存顶不住，而且训练和预测没有分离，后面批量用这个不可能每次每张影像都训练了再预测，这次正好有需求，正好有人已经把大影像划框写好了（在此感谢wjw提供了划框，一起优化了这个），我就最后把这个整理一下，算是终版吧，以后也不会再花时间整这个了 # -*- coding: utf-8 -*- from osgeo import ogr from osgeo import.........
监督学习---支持向量机SVM
u012121721的博客
08-06 204
支持向量机是一种二分类模型，它的目的是寻找一个超平面来对样本进行分割，分割的原则是间隔最大化，最终转化为一个凸二次规划问题求解。 非线性问题：SVM的处理方法是选择一个核函数，通过将数据映射到高维空间，来解决在原始空间中线性不可分的问题。 ...
svm（支持向量机）与nbc（朴素贝叶斯）算法比较
12-08
支持向量机 朴素贝叶斯 matlab代码 含说明文档 有测试数据 可以直接运行
有监督分类：支持向量机分类
沈春旭的博客
06-12 6988
1.前言 上一篇主要研究了《最小二乘用于分类》也实现了模式识别。然而，虽然与错误分类率对应的0/1损失的间隔函数是单调非增的，但是L2损失并不是单调非增的，所以使用最小二乘学习法进行模式识别还是有些不自然。这里，再次综述一下支持向量机分类器，关于SVM的话题已经写了近10篇文章了。本文更偏重于介绍支持向量机分类器中所使用的损失概念，并且讨论支持向量机分类器向鲁棒学习进行拓展的方法。 2
机器学习-面试精选
weixin_41175904的博客
06-02 959
机器学习-面试精选
ENVI监督分类中SVM（支持向量机）工具
qq_40743231的博客
12-26 1万+
这里以landsat 8的四景镶嵌影像为例： 打开ENVI工具箱中的分类——监督分类——支持向量机，出现如下界面： 选择图像，点击OK，会出现如下的错误提示 这告诉我们需要选取几个ROIs以便于我们用支持向量机来进行分类，ROI（Region of Interest感兴趣区），ROI工具的位置如下图所示 接下来我们需要选取三类的ROI，分别代表林地，水体和不透水面，点击下图中的位置创建新的ROI 在底下的ROI name一栏中输入water body，表示这一类的ROI我们选取的是和水体有关的地方
ENVI实现最小距离法、最大似然法、支持向量机遥感图像监督分类与分类后处理操作
疯狂学习GIS的博客
05-31 1万+
本文介绍基于ENVI软件，实现最小距离法、最大似然法与支持向量机三种遥感图像监督分类方法的具体操作，同时进行分类后处理操作，并对不同分类方法结果加以对比分析~
监督分类：SVM即支持向量机实现遥感影像监督分类
qq_20373723的博客
12-30 4676
环境：python2或3都可以，有osgeo(gdal)（本机版本2.2.4）、scikit-learn(本机版本0.20.3)、numpy（本机版本1.15.0）就行 这个代码是用的4波段遥感影像，如果用作其他波段的稍微修改一下就行了，后面会标记出来。 数据位置：链接：https://pan.baidu.com/s/14i-ePeWm-gnIPSsrgHmnMw 提取码：qkgz 首先在...
监督学习——支持向量机SVM
人之初，性贪婪
07-15 7598
支持向量机属于监督学习，是一种二类分类模型，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，支持向量机包括核心技巧，这使它成为实质上的非线性分类器。支持向量机的学习策略是间隔最大化，可形式化为一个求解凸二次规划的问题。支持向量机学习方法包含构建由简至繁的模型：线性可分支持向量机、线性支持向量机及非线性支持向量机。当训练数据线性可分时，通过硬间隔最大化，学习一个线性的分类器，即线性可分支持向量...
支持向量机SVM(Support Vector Machine）是一个有监督的学习模型
热门推荐
share
11-06 3万+
前言     动笔写这个支持向量机(support vector machine)是费了不少劲和困难的，原因很简单，一者这个东西本身就并不好懂，要深入学习和研究下去需花费不少时间和精力，二者这个东西也不好讲清楚，尽管网上已经有朋友写得不错了(见文末参考链接)，但在描述数学公式的时候还是显得不够。得益于同学白石的数学证明，我还是想尝试写一下，希望本文在兼顾通俗易懂的基础上，真真正正能足以成为一
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