Python全系列 教程
3567个小节阅读:5930.4k
目录
鸿蒙应用开发
C语言快速入门
JAVA全系列 教程
面向对象的程序设计语言
Python全系列 教程
Python3.x版本,未来主流的版本
人工智能 教程
顺势而为,AI创新未来
大厂算法 教程
算法,程序员自我提升必经之路
C++ 教程
一门通用计算机编程语言
微服务 教程
目前业界流行的框架组合
web前端全系列 教程
通向WEB技术世界的钥匙
大数据全系列 教程
站在云端操控万千数据
AIGC全能工具班
A A
White Night
支持向量机(SVM),Supported Vector Machine,基于线性划分,输出一个最优化的
分隔超平面,该超平面不但能将两类正确分开,且使分类间隔(margin)最大
注意:
SVM的终极目标是求出一个最优的线性分类超平面
当在低维空间中,不能对样本线性可分时,将低维空间中的点映射到高维空间中,使
它们成为线性可分的,再使用线性划分的原理来判断分类边界。
这里有个问题:如果直接采用这种技术在高维空间进行分类或回归,可能在高维特征
空间运算时出现"维数灾难"!采用核函数技术(kernel trick)可以有效地解决这样的问题
直接在低维空间用核函数,其本质是用低维空间中的更复杂的运算代替高维空间中的普
通内积。
常用的核函数
当训练数据线性可分时,一般用线性核函数,直接实现可分
gamma值越小,模型越倾向于欠拟合
gamma值越大,模型越倾向于过拟合
1. 关于支持向量机,下列说法正确的是:
A 基于非线性划分
B 支持向量点到最优分类超平面距离越大越好
C 终极目标是求出一个最优的非线性分类超平面
D 以上说法均不正确
2. 关于SVM的核函数,下列说法正确的是:
A rbf核函数的gamma值越小,模型越倾向于过拟合
B 当训练数据线性不可分时,使用线性核函数
C 使用核函数可以有效地解决"维数灾难"的问题
D 以上说法均不正确
1=>B 2=>C