零、簡介

　　一般認為，SVM比神經(jīng)網(wǎng)絡(luò)要簡單。

　　優(yōu)化目標：

　　

　　函數(shù)phi(x)會把訓(xùn)練樣本x映射到高維(或無窮維)的空間中。

　　基本的核：

　　

?

一、實際運用

　　一般流程：

　　

?

二、數(shù)據(jù)處理

2.1 離散特征

　　建議用m個數(shù)字表示某個離散特征的m個可取的值。m個數(shù)字中只有一個取1，其他的都取0。

　　比如｛紅，黃，藍｝分別表示為(1,0,0), (0,1,0), (0,0,1)

2.2 規(guī)格化

　　核的值通常與特征向量的內(nèi)積有關(guān)。

　　訓(xùn)練集和測試集必須用相同的規(guī)格化方法。

?

三、模型選擇

3.1 優(yōu)先選擇RBF核

　　1、它能把映射到高維空間，處理線性不可分的情況。

　　2、超參數(shù)的數(shù)量影響計算的復(fù)雜度，多項式核比RBF核有更多的超參數(shù)

　　3、。。。

　　當特征很多時，一般就用線性核。

3.2 cross-validation 和Grid-search

?

四、discussion

　　有時，還必須使用特征選擇features Selection等技術(shù)。

總結(jié)

以上是生活随笔為你收集整理的【SVM】A Practical Guide to Support Vector Classication的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。