金宝app支持向量是指识别分离超平面的位置的培训观测的子集。标准SVM算法配制用于二进制分类问题,并且通常减少到一系列二进制问题的多字符问题。
SVM类型 | 美世内核 | 描述 |
---|---|---|
高斯或径向基函数(RBF) | \(k(x_1,x_2)= \ exp \ left( - \ frac {\ | x_1 - x_2 \ | ^ 2} {2 \ sigma ^ 2} \右)\) | 一班学习\(\sigma\)是内核的宽度 |
线性 | \(k(x_1,x_2)= x_1 ^ {\ mathsf {t}} x_2 \) |
两类学习。 |
多项式 | \(k(x_1,x_2)= \左(x_1 ^ {\ mathsf {t}} x_2 + 1 \右)^ {\ rho} \) |
\(\ rho \)是多项式的顺序 |
乙状结肠 | \(k(x_1,x_2)= \ tanh \ left(\ beta__ {0} x_1 ^ {\ mathsf {t}} x_2 + \ beta_ {1} \右)\) |
它是某些\(\ beta_ {0} \)的Mercer内核,\(\ beta__ {1} \)值 |
训练一个支持向量机对应金宝app于解决一个问题二次优化适用于超平面的问题,可最大限度地减少课程之间的柔和余量。变换特征的数量由支持向量的数量决定。金宝app
关键点:
- 金宝app支持向量机是流行的,在许多分类和回归任务上实现了良好的性能。
- 虽然支持向量金宝app机被配制用于二进制分类,但是通过组合多个二进制分类器来构建多级SVM。
- 核函数使支持向量机更加灵活,能够处理非线性问题。
- 只需要从训练数据中金宝app选择的支持向量来构建决策表面。培训后,其余培训数据是无关紧要的,产生适合自动化代码生成的模型的紧凑表示。
例子
金宝app支持向量机也可以通过构造一个类SVM来用于异常检测,其决策边界确定对象是否属于使用异常阈值所属的“正常”类。在此示例中,MATLAB将所有示例根据异常值的目标分数作为参数映射到单个类别,如下所示:fitcsvm(样本,个(…),‘异常分数’,…)。
该图显示了一系列的分离超平面离群分数
用于来自人类活动分类任务的数据。