SVM损失函数 L1 = max(0,5.1 3.2+1)+max(0, 1.7 3.2+1) l2 = ...... 损失函数:L=(L1+L2+L3)/3 当所有的分数几乎相同时:L=分类数 1 (就是max中的那个1.共有类数 1个) 为什么使用平均值? 无论分数如何变化loss不会改变 最优 ...
分类：
其他好文 时间：
2019-11-30 11:29:23
阅读次数：
66
Why 核函数 目的是为了解决 线性不可分问题 . 核心思想是 升维 . 当样本点在低维空间不能很好地分开的时候, 可以考虑将样本 通过某种映射(就是左乘一个矩阵) 到高维空间中, 然后在高维空间就容易 求解一个平面 $w^Tx +b$ 将其分开了. 想法是很美滋滋, 但立马就有一个问题, 计算量大 ...
分类：
其他好文 时间：
2019-11-28 13:20:44
阅读次数：
78
1、引言 最近在学习sklearn库中SVM算法中C-SVC多分类的相关应用，但是在sklearn中关于如何提取训练后的参数，并脱离原有的sklearn库，甚至脱离原有的python开发环境，在新的平台和系统中使用训练后的参数完成前向推理，是本文所需要讲述的内容。由于笔者主要从事于嵌入式平台（包括但 ...
分类：
其他好文 时间：
2019-11-16 00:48:00
阅读次数：
96
线性可分支持向量机与软间隔最大化 SVM 给定线性可分的数据集 假设输入空间(特征向量)为 ，输出空间为 。 输入 表示实例的特征向量，对应于输入空间的点； 输出 表示示例的类别。 我们说可以通过 间隔最大化 或者等价的求出相应的 凸二次规划问题 得到的 分离超平面 以及决策函数： 但是，上述的解决 ...
分类：
其他好文 时间：
2019-11-15 14:30:36
阅读次数：
83
经常用到sklearn中的SVC函数，这里把文档中的参数： 本身这个函数也是基于libsvm实现的，所以在参数设置上有很多相似的地方。（PS: libsvm中的二次规划问题的解决算法是SMO）。 sklearn.svm.SVC(C=1.0, kernel='rbf', degree=3, gamma ...
分类：
其他好文 时间：
2019-11-14 23:50:54
阅读次数：
88
1.欠拟合(underfitting)与过拟合(overfitting) 在机器学习中，我们的主要思想是通过对数据集的学习来生成我们的假设模型。在对数据集进行拟合的过程中，我们可能会遇到欠拟合和过拟合的问题。以身高预测的例子为例，这里给出7 18岁男生的身高标准（数据来源： "7 岁～18 岁儿童青 ...
分类：
其他好文 时间：
2019-11-09 21:57:11
阅读次数：
115
支持向量机 (support vector machine, SVM) 是建立在统计学习理论的 VC 维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特点训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折中，以期获得最好的泛化能力。 支持向量机的 基 ...
分类：
其他好文 时间：
2019-11-07 19:35:20
阅读次数：
129
★线性核函数： ★多项式核函数： ★径像基核函数/高斯核函数： ★拉普拉斯核函数： ★sigmod核函数： 吴恩达的见解：1. 如果Feature的数量很大，跟样本数量差不多，这时候选用LR或者是Linear Kernel的SVM2. 如果Feature的数量比较小，样本数量一般，不算大也不算小，选 ...
分类：
其他好文 时间：
2019-11-06 23:02:12
阅读次数：
92
HOG特征+SVM行人检测 API介绍： 1 #include <opencv2/opencv.hpp> 2 #include <iostream> 3 4 using namespace cv; 5 using namespace std; 6 7 int main(int argc, char* ...
分类：
其他好文 时间：
2019-11-06 15:05:15
阅读次数：
159
#根据身高体重训练 预测男生还是女生#1数据制作rand1 = np.array([[155,48],[159,50],[164,53],[168,56],[172,60]])rand2 = np.array([[152,53],[156,55],[160,56],[172,64],[176,65] ...
分类：
其他好文 时间：
2019-11-06 11:39:20
阅读次数：
126
