- 博客(2)
- 资源 (30)
- 收藏
- 关注
原创 SVM(Support Vector Machine)读书笔记二(支持向量和Kernel方法)
在一个线性不可分的样本中,用添加多次项特征可以将两类样本分开,具体原理请参考 这里,用SVM分类器也是同样道理。如果两类样本交叉越多,需要越高次的特征,模型就越复杂,这在存储上和计算资源上都是很大的开销。SVM用kernel方法就解决了这个问题,kernel方法是将高维度的计算放到低维度来做,最后得到的是高纬度上的模型。具体原理请看下面的推导。特征转换如果样本在低纬度空间不可分,那么可以将样本的特征
2015-11-29 14:17:44 3800
原创 SVM(Support Vector Machine)读书笔记一(最佳分割超平面)
分类问题中,在一个线性不可分的样本上,通常需要用到一些Non-linear的特征,把低维度空间上的样本投影到高维度上,从而使得这些样本在高维度线性可分。但这投影过程通常也会有以下两个问题:1. 如果在原样本中加了太多的高次多项式的特征,首先会导致过拟合,模型的泛化能力会很差;2. 多项式组合会有指数级别的组合方式,这使得在投影后的样本空间中维度非常高,这也会消耗太多的计算资源和空间资源SVM解决了上面两个问题
2015-11-18 17:18:12 15461 5
Adapting Ranking SVM to Document Retrieval RankSVM
2013-12-23
Standford机器学习 线性回归CostFunction和Normal equation的推导
2013-05-08
数据挖掘,Apriori算法
2011-08-02
《计算机网络》第五版课后习题答案
2011-04-25
软件设计师(中级考试)历年习题
2011-04-25
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人