SVM
zcc_TPJH
I can fly high, I can go low!
展开
-
支持向量机SVM----学习笔记二(代码实践一线性分类)
本篇主要记录如何使用sklearn去实现SVM,使用的是鸢尾花数据集,在对SVM进行分类前,和KNN一样我们首先,要对数据进行标准化处理,这是因为SVM寻找的是使margin最大的区间中间的那根线,而我们衡量margin的方式是数据点之间的距离,如果数据点在不同维度上量纲不同的话,那对于距离的估计就是有问题的。 例如在下图中,横轴范围在0-1,纵轴范围却在0-10000,...原创 2018-05-09 11:07:23 · 782 阅读 · 0 评论 -
支持向量机SVM----学习笔记三(代码实践一多项式特征)
处理非线性数据最典型的思路就是采用多项式的方式来扩充原本的数据,制造新的多项式的特征。 本篇主要记录如何使用sklearn去用多项式特征来实现非线性SVM,使用的是sklearn自带的make_moons数据集,我们在此基础上添加了噪声。1.数据准备import numpy as npimport matplotlib.pyplot as pltfrom sklea...原创 2018-05-09 15:06:21 · 889 阅读 · 0 评论 -
支持向量机SVM----学习笔记三(代码实践一高斯核函数)
高斯核函数是SVM中使用最多的一种核函数,对比高斯函数x-u,高斯核函数中表征的是两个向量(x,y)之间的关系,高斯函数又被称为RBF核和径向基核函数。在多项式核函数中,我们知道多项式核函数是将数据点添加多项式项,再将这些有了多项式项的特征点进行点乘,就形成了多项式核函数,对于高斯核函数也是一样,首先将原来的数据点映射成一种新的特征向量,然后得到新的特征向量点乘的结果,对高斯核函数来...原创 2018-05-09 17:09:05 · 11213 阅读 · 0 评论 -
支持向量机SVM----学习笔记四(代码实践一SVM思路解决回归问题)
用SVM思路解决回归问题本质就是找到一根直线或曲线能够最佳程度拟合数据点。SVM在解决分类问题时是存在一个margin的,SVM在解决回归问题同样存在一个margin,与分类不同的是在此情况下,我们希望margin里包含的样本数据越多越好,这就代表这个范围能比较好的表达样本数据点。在这种情况下,取中间的那根直线作为回归的结果,用它来预测其他未知点y的值。SVM分类是相反的思路...原创 2018-05-09 17:50:40 · 1535 阅读 · 0 评论 -
HOG+SVM
什么是HOG特征?特征就是某个像素进行四则运算后得到的结果,HOG特征也满足这个定义。梯度直方图特征(HOG) 是一种对图像局部重叠区域的密集型描述符, 它通过计算局部区域的梯度方向直方图来构成特征。HOG特征的计算步骤模块划分(image win block cell)梯度 方向 模板bin 投影每个模块hog模块划分(image win block cell)从图中我们可以看出image>...原创 2018-05-21 17:57:33 · 1358 阅读 · 0 评论