SVM和LR速度测试

最新推荐文章于 2022-01-05 17:46:22 发布
最新推荐文章于 2022-01-05 17:46:22 发布
阅读量3.1k 收藏 3
点赞数 2
文章标签： SVM LR
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/a244659184/article/details/81122521
版权
本文通过三组不同规模的数据测试发现，SVM在样本少、特征维数低时运行时间短于LR，但准确率较低。随着样本数量增加，SVM的运行时间显著增长，但准确率提升。而在处理大量样本和高维特征时，SVM的运行时间剧增，甚至超过LR，虽然准确率接近。SVM的高时间复杂度源于其二次时间复杂度，尤其是在核函数和大样本高维数据下，可能导致更严重的时间消耗问题。
摘要由CSDN通过智能技术生成 
样本1
X, Y = skl_ds.make_classification(n_samples=200, n_features=50, n_classes=2)

X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.3, random_state=2019)

 

First

Second

Third

Forth

Fifth

Avg

SVM时间（秒）

0.0010

0.0020

0.0040

0.0020

0.0030

0.0024

SVM准确率

0.7833

0.7667

0.7333

0.8167

0.7667

0.77334
最低0.47元/天 解锁文章
n1boR
关注
SVM模型加速：加速SVM模型的推理速度
程序员光剑
08-21 818
SVM模型加速：加速SVM模型的推理速度 作者：禅与计算机程序设计艺术 1. 背景介绍 1.1 SVM模型的广泛应用 支持向量机 (SVM) 是一种强大的机器学习模型，广泛应用于各种分类和回归任务。它们以其高精度
[Python从零到壹] 十四.机器学习之分类算法五万字总结全网首发（决策树、KNN、SVM、分类对比实验）
杨秀璋的专栏
07-09 2万+
分类（Classification）属于有监督学习（Supervised Learning）中的一类，它是数据挖掘、机器学习和数据科学中一个重要的研究领域。分类模型类似于人类学习的方式，通过对历史数据或训练集的学习得到一个目标函数，再用该目标函数预测新数据集的未知属性。本章主要讲述分类算法基础概念，并结合决策树、KNN、SVM分类算法案例分析各类数据集，从而让读者学会使用Python分类算法分析自己的数据集，研究自己领域的知识，从而创造价值。 19.1 分类 19.1.1 分类模型 与前面讲述的聚类模型类似
python运行速度比较快_使SVM在python中运行速度更快
weixin_39914825的博客
12-02 1369
在python中使用svm的代码：from sklearn import datasetsfrom sklearn.multiclass import OneVsRestClassifierfrom sklearn.svm import SVCiris = datasets.load_iris()X, y = iris.data, iris.targetclf = OneVsRestClassif...
Pytorch和Tensorflow在相同数据规模规模下的支持向量机算法SVM(Support Vector Machine)算法中的运算速度对比
m0_47529410的博客
02-27 1448
Pytorch和Tensorflow在相同数据规模规模下的支持向量机算法SVM(Support Vector Machine)算法中的运算速度对比 这次来讲一下十大传统机器算法之一的支持向量机算法SVM，SVM起源于20实际，到现在为止已经十分成熟，也是在我们学习与训练中经常会用到的算法。 SVM算法的基本原理 硬间隔SVM （hard-margin SVM） 为了方便大家理解SVM算法，这里将给出一个较为简单的数据集:其中X的一行代表一个点即（ana_nan​,bnb_nbn​），代表一个点，而Y中一一对
sklearn SVM学习
bohu83的博客
03-05 675
刚学完SVM的理论部分，感觉没有老师带着写代码练手，还是发虚。 参照之前的线性回归部分代码，改下模型试验下。 前面 部分跟之前一样，就不贴了。还是文本分词后，用TFIDF矩阵。 因为多分类的问题，svm的参数需要decision_function_shape='ovr'，如果不设置会报错。 模型主要参数有： C超参数： 对于训练集来说，其误差越小，但是很容易发生过拟合；C越小，则允许有更多的训练集误分类，相当于soft margin 核函数： kernel :可选线性、rbf 等。r..
ＳＶＭ试验的一些困惑。
lexin851010的专栏
03-20 1025
<br />今天用在Matlab中做SVM分类试验，采用ＳＶＭ通用工具箱，训练数据数据量为1２５０，使用的核函数为rbf。但训练速度非常慢，大概3个小时，并且训练得到的支持向量数等于样本数。ＳＶＭ求解得到的是解析解，因此算法的训练过程应该很快。由于以前没有使用ＳＶＭ进行过相关试验，因此对于训练慢的原因不是太清楚。<br />在网上查阅了相关资料，并且重新设计了一个试验，数据量为１００，且线性可分．实验效果非常好，训练速度快，得到的支持向量机数业很少。试验程序如下：<br />N = 50;<br />n=2
LR、SVM、RF、GBDT、XGBoost和LightGbm比较
weixin_30299709的博客
12-10 7360
正则化 L1范数 蓝色的是范数的解空间,红色的是损失函数的解空间.L2范数和损失函数的交点处一般在坐标轴上,会使\(\beta=0\),当然并不一定保证交于坐标轴,但是通过实验发现大部分可以得到稀疏解. L2范数 蓝色的是范数的解空间;红色的是损失函数的解空间.当两个空间相交时得到目标函数的一个解. 增加了正则化项后,随着r的不断增加,原始的解空间会被不断压缩, 如果选择的\(\lambd...
模型调参经验-LR、SVM、RF、GBDT、Xgboost、LightGBM
tunghao的博客
01-15 4985
LR SVM Xgboost CNN LSTM
谈谈linear regression 和 SVM
baidu_36316735的博客
02-27 4850
线性分类是一个简单而又非常实用的概念。因为其速度快，在工业界中广泛应用。 SVM一般是学习机器学习接触的又一个学习方法，非常fasion，学术界研究大热，数学上有严格的证明。但是由于神经网络的优异表现，风头渐渐不如以前。 这里就一个知识点进行自己小小总结。 线性回归和SVM有什么区别呢。网上很多人直接拿出这张图给你。例如知乎上这个答案 https://www.zhihu.com/qu
SVM算法详解
热门推荐
qq_42791848的博客
01-05 3万+
Support Vector Machine 终于，我们来到了SVM。SVM是我个人感觉机器学习中最优美的算法，这次我们要来非常细致地介绍。SVM是一类有监督的分类算法，它的大致思想是：假设样本空间上有两类点，我们希望找到一个划分超平面，将这两类样本分开，而划分超平面应该选择泛化能力最好的，也就是能使得两类样本中距离它最近的样本点距离最大。 Hard Margin&Dual Problem Hard Margin 如图所示，中间那条加粗的超平面就是我们所求的最优划分超平面。我们知道平面的方程可以用
100天搞定机器学习（100-Days-Of-ML）（六）支持向量机SVM
徐先森的博客
12-23 425
第六天：支持向量机SVM 支持向量机SVM是一个有监督的机器学习算法，它可用于分类和回归分析，最主要是用再分类问题中。在这个算法中，根据特征值，构建一个n维空间（其中n即是特征数量），把每个数据点投影到此空间内。通过查找一个超平面，把数据区分成两类。换句话说，算法输出一个最佳超平面，用于数据分类。对于SVM来说，它指的是距离两类数据最远的一个超平面，即是此超平面到最近元素的距离最远。   ...
KNN, LDA, SVM 实战 —— 运用在Farm-ads（python）
budding0828
05-19 1361
概述 使用KNN，LDA，SVM求解UCI中的Farm-ads数据集。其中KNN为纯手写，LDA包括手写和使用sklearn的模块，SVM也包括手写和使用sklearn模块。 github代码 实验环境 anaconda + jupyter notebook + python3.7 数据 数据集来源 实验数据来源于：UCI机器学习数据库（http://archive.ics.uci.edu/ml/...
SVM 类库研究历程
帐前卒 专栏
11-17 3786
        开始接到SVM的研究任务，心里其实感觉svm是够难的。因为我大学在人脸识别项目中曾经研究过一段时间。但是因为不知道为何matlab中svm类库有点小问题，就被迫终止了研究。所以心里一直发憷。        当然这件事如果我不做，估计没有人去做。为了自己的信息检索大作业(文本分类)。还是要好好的努力下。        之后在google上搜索各种svm相关的代码和使用方法。（
机器学习之支持向量机理论与代码实践
05-06
该课程是目前讲解SVM的最详细的课程，详细的讲解了SVM的数学推导过程，SMO算法的数学推导过程，并根据最终推导的公式使用python原生代码进行了实现，公式与代码一一对应。把最难理解的SVM讲解的非常透彻。
机器学习之支持向量机（SVM）
qq_43412251的博客
10-20 619
支持向量机（SVM） 假设函数： 形式 与神经网络的两点区别： 1.代价函数 可以从这个对比上看出原来的神经网络是对数形式的sigmoid函数我们将其替换为cost1和cost0，分别意味着预测结果距离1的代价和距离0的代价。 新代价函数图形，当距离足够远时直接令Z=0； 2.C的引入 正则化项前不再拥有参数λλλ,反而是预测项拥有了系数C，我们这里可以把C理解为1/λ1/λ1/λ。 大间距分类器 如图的一组正负样本，SVM所做的正式那条黑色的直线，尽力以最大的间距将两组数据分割开来（可以理解为到蓝
SVM算法-亲测可用，我的数据集有点大，运行的有点慢
weixin_41196004的博客
04-11 5356
input= xlsread(‘KDDTrain_1.csv’);% test= xlsread(‘KDDTest_1.csv’);% train_matrix=input(:,1:122); %训练集 train_label=input(:,123:123);%训练样本期望输出 test_matrix=test(:,1:122); %测试集 test_label=test(:,123:123)...
SVM训练及预测过程
会吃狼的鳄鱼
08-15 8523
SVM训练及预测过程 http://blog.sina.com.cn/s/blog_65caa97801011fbi.html
svm的训练流程和测试流程
最新发布
05-20
SVM的训练流程和测试流程如下： 训练流程： 1. 收集和准备数据：首先需要收集并准备训练数据，包括训练样本和对应的标签。 2. 特征提取：对于每个训练样本，需要从中提取出一组特征向量。常见的方法包括使用TF-IDF获取文本特征，使用像素值获取图像特征等。 3. 训练模型：使用训练数据和对应的标签，训练SVM模型。SVM的目标是找到一个最大间隔超平面，使得不同类别的样本点尽可能地分开。 4. 调参：根据训练效果和模型的性能指标，对模型进行调参优化，包括调整核函数参数、惩罚系数等。 测试流程： 1. 测试数据准备：准备测试数据，并提取其特征向量。 2. 模型预测：使用训练好的SVM模型对测试数据进行分类预测。 3. 结果评估：评估预测结果的准确性和性能，包括计算分类准确率、召回率、F1值等指标。 需要注意的是，训练和测试数据的特征提取方法应该保持一致，以确保模型的可靠性和一致性。
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