svm核函数选择和调参

最新推荐文章于 2024-08-16 14:42:50 发布

贾世林jiashilin

最新推荐文章于 2024-08-16 14:42:50 发布

阅读量1.5k

点赞数 2

分类专栏：深度学习相关文献和理论

本文链接：https://blog.csdn.net/qq_35290785/article/details/96178666

版权

深度学习相关文献和理论专栏收录该内容

126 篇文章 67 订阅 ¥9.90 ¥99.00

订阅专栏

超级会员免费看

本文探讨了支持向量机（SVM）中核函数的选择，列举了9种核函数及其应用场景，重点关注了linear，Polynomial，RBF，Sigmoid这四个常用核函数。同时，通过可视化示例展示了linear kernel和RBF kernel在线性可分与不可分问题上的差异。文章还介绍了SVM的参数调优，特别是如何使用sklearn的grid search找到合适的kernel、gamma和C参数。参数gamma的大小直接影响支持向量的数量，进而影响模型训练和预测速度；而C参数则关乎模型的过拟合与欠拟合风险。

摘要由CSDN通过智能技术生成

核函数：

调参

核函数：

下表列出了 9 种核函数以及它们的用处和公式，常用的为其中的前四个：linear，Polynomial，RBF，Sigmoid

核函数	用处	公式
linear kernel	线性可分时，特征数量多时，样本数量多再补充一些特征时，linear kernel可以是RBF kernel的特殊情况
Polynomial kernel	image proce