分类的机器学习算法

支持金宝app向量机是支持向量机的一种监督式学习可用于二进制分类或回归的算法。金宝app支持向量机广泛应用于自然语言处理、语音处理等领域图像识别,计算机视觉

支持金宝app向量机构造一个最优超平面作为决策面,使得数据中这两个类的分离裕度最大。金宝app支持向量是指用于支持决策面最佳位置的训练观察的一个小子集。

金宝app支持向量机属于机器学习算法称为内核方法,也称为内核机器。

支持向量机的训练分为两个阶段:金宝app

  1. 将预测器(输入数据)转换为高维特征空间。只指定这一步的内核就足够了,而且数据永远不会显式地转换到特征空间。这个过程通常被称为内核技巧。
  2. 解决一个二次优化拟合最优超平面,将变换后的特征分为两类。变换后特征的个数由支持向量的个数决定。金宝app

只需要从训练数据中金宝app选取支持向量即可构建决策面。一旦训练完成,剩下的训练数据就不相关了。

支持向量机常用的内核包括:

类型的支持向量机 美世的内核 描述
高斯或径向基函数(RBF) \ (K (x_1、x_2) = \ exp \离开(- \压裂{\ | x_1——x_2 \ | ^ 2}{2 \σ^ 2}\)\) 一个班学习。是内核的宽度
线性 \ (K (x_1、x_2) = x_1 ^ {\ mathsf {T}} x_2 \)
两个类的学习。
多项式 \ (K (x_1、x_2) = \离开(x_1 ^ {\ mathsf {T}} x_2 + 1 \右)^{\ρ}\)
ρ\ (\ \)多项式的阶是多少
乙状结肠 \ (K (x_1、x_2) = \双曲正切\离开(\ beta_ {0} x_1 ^ {\ mathsf {T}} x_2 + \ beta_ {1} \) \)
它是一个仅针对特定\(\beta_{0}\)和\(\beta_{1}\)值的mercer内核

有关如何拟合支持向量机分类器的更多信息,请参见金宝app统计和机器学习工具箱™使用MATLAB®

参见:统计和机器学习工具箱,深度学习工具箱,机器学习,无监督学习,演算法,监督式学习

深度学习与机器学习:选择最佳方法