他喷他多有监督
支持向量机(supportvectormachine, SVM)是一种有监督的机器学习算法,主要用于解决分类问题。
一、什么是支持向量机？
支持向量机是一种有监督的机器学习算法。该算法广泛用于数据科学/机器学习问题，因为该算法非常强大且用途广泛。支持向量机可用于线性和非线性分类、回归，甚至异常检测。它大量用于具有复杂的中小型数据集的分类问题。支持向量机是一种非概率线性分类器，它使用几何方法来区分数据集中的不同类别。 二、支持向量机中使用的术语是什么？
我们了解什么是支持向量机。现在我们将深入探讨支持向量机中使用的核心概念和术语。
职教新干线2.1 支持向量
向量是表示在 n 维图像上的数据点。例如，我们在像这样 (x,y) 的 2D 图和像这样 (x,y,z) 这样的 3D 图上表示一个点，其中 x,y,z 是图像的轴。
图为：支持向量codcr
因此，支持向量是 n 维图像上的向量，它们是离超平面最近的点并影响超平面的方向。通过这个支持向量，我们传递了超平面的正边距和负边距。 2.2 超平面
虎牢
超平面只不过是具有 (n-1) 维的决策边界，其中 n 是数据集中的列数。超平面分离不同类的点/向量。
示例 1：在 2D 图像中，我们使用如下所示的线分隔点。
图为：二维超平面
图片中的绿线充当超平面，该超平面的方程将等于线的方程：
我们可以将其重写为：
示例 2：在 3D图像中，我们使用如下所示的平面来分隔点。
图像中表示的平面充当超平面，该超平面的方程将等于平面的方程，即：
同样，对于 n 维数据集，超平面方程将是：
岩土力学编辑部如果我们以向量形式重写则是：
2.3 核函数
核函数是 SVM 中用于将非线性数据转换为更高维数据集的数学函数，以便 SVM 可以通过使用超平面来分离数据的类别。在 Scikit-learn 中，SVM 支持各种类型的内核，如 罗辑课“linear” 、 “poly” 、 “rbf” 、 “sigmoid” 。此外，我们可以创建自己的核函数并将其传递给 scikit-learn SVM。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议