为什么支持向量机需要有development影响因子 set

来源：蜘蛛抓取(WebSpider) 时间：2017-11-05 02:04 标签： business development
您所在位置： &
&nbsp&&nbsp&nbsp&&nbsp
支持向量机究及其应用.pdf文档全文免费阅读、在线看 51页
本文档一共被下载：
次 ,您可全文免费在线阅读后下载本文档。
下载提示
1.本站不保证该用户上传的文档完整性，不预览、不比对内容而直接下载产生的反悔问题本站不予受理。
2.该文档所得收入(下载+内容+预览三)归上传者、原创者。
3.登录后可充值，立即自动返金币，充值渠道很便利
需要金币：200 &&
支持向量机究及其应用
你可能关注的文档：
··········
··········
电子科技大学顺=L学位论文
支持向量机研究及其应用
支持向量机(SVM)是九十年代中期发展起来的新的机器学习技术，与
传统的神经网络(NN)技术不同，SVM是以统计学习理论(SLT)为基础，
NN是以传统统计学理论为基础。传统统计学的前提条件是要有足够多
的样本，而统计学习理论是着重研究小样本条件下的统计规律和学习方
法的，它为机器学习问题建立了一个很好的理论框架。实践表明，建立
在(SLT)之上支持向量机不仅结构简单，而且技术性能尤其是推广能力明
显提高，能够解决好大量现实中的小样本学习问题，它是一个全新的神
经网络技术。目前，SVM己成为国际上机器学习领域新的研究热点。本
文首次深入系统地对支持向量机(SVM)进行了研究讨论。
论文的主要贡献可归纳如下：
首先，第一章简要介绍了由于传统神经网络的发展和它在机器学习
上的缺陷，导致支持向量机的诞生：并提出了研究和应用支持向量机的
必要性和重要性以及现有支持向量机的研究成果和存在的不足。第二章
探讨了支持向量机理论基础一一学习问题，尤其是对Vapnik等人的统计
学习理论(SLT)结合学习问题作了系统的阐述。
其次，第三章从模式识别中引出最优分类超平面，然后按训练集线
性可分和线性不可分讨论，运用最优化理论中的拉格朗日乘子法(LMT)
推导出相对应地最优超平面和判别函数(决策函数)；最后通过统计学习
理论和泛函分析理论推导出支持向量机。
再次，为了进一步提高支持向量机的通用性以及推广能力、应用能
力、识别速度等性能，在第四、第五两章运用模糊集理论(FST)币H粗糙集
理论(RST)对支持向量机进行研究，采用优势互补原则，先是把模糊集与
支持向量机有机结合，构造出基于模糊集的支持向量机(FSSVM)，然
后把粗糙集理论与支持向量机相互结合，进而把RST与FSSVM相互结
合，构造出基于RST的支持向量机。很好地推广了SVM的技术性能。
最后，在第六章中，把第三章SVM核函数的思想和第四章简化
高了二者的分析、处理数据的能力，简化了处理过程。
关键词：支持向量机，神经网络，机器学习，模式识别，模糊集理
论，粗糙集理论，主成分分析，回归分析
11王子科技大学碳士学位论文
StudyApplicationSupport
newmachine
MachineSVMis
learningtechnique
fromtraditionalNeural
fromthemiddleof
990s．Being
isbasedontraditional
statistics，which
conclusionforthesituationwhere
sample tendinginfinity，
is basedonStatistical
正在加载中，请稍后...支持向量机(SVM)算法 （上）
线性可区分 | SETPHP
1.1 最早是由 Vladimir N. Vapnik 和 Alexey Ya. Chervonenkis 在1963年提出
1.2 目前的版本(soft margin)是由Corinna Cortes 和 Vapnik在1993年提出，并在1995年发表
1.3 深度学习（2012）出现之前，SVM被认为机器学习中近十几年来最成功，表现最好的算法
2. 机器学习的一般框架：
训练集 =& 提取特征向量 =& 结合一定的算法（分类器：比如决策树，KNN）=&得到结果
两类？哪条线最好？
3.2 SVM寻找区分两类的超平面（hyper plane), 使边际(margin)最大
总共可以有多少个可能的超平面？无数条
如何选取使边际(margin)最大的超平面 (Max Margin Hyperplane)？
超平面到一侧最近点的距离等于到另一侧最近点的距离，两侧的两个超平面平行
3. 线性可区分(linear separable) 和 线性不可区分 （linear inseparable)
4. 定义与公式建立
使用python实现的示例
from sklearn import svm
x = [[2, 0], [1, 1], [2, 3]]
y = [0, 0, 1]
clf = svm.SVC(kernel = 'linear')
clf.fit(x, y)
# 得到支持向量 get support vectors
print clf.support_vectors_
# 得到支持向量指数
print clf.support_
# 获取每个类的支持向量数
print clf.n_support_
#进行预测 得出 0 也就是线下方
print clf.predict([2,0])
例子2：模拟画线支持向量机(线性可区分)的示例代码
import numpy as np
import pylab as pl
from sklearn import svm
# we create 40 separable points
X = np.r_[np.random.randn(20, 2) - [2, 2], np.random.randn(20, 2) + [2, 2]]
Y = [0]*20 +[1]*20
#fit the model
clf = svm.SVC(kernel='linear')
clf.fit(X, Y)
# get the separating hyperplane
w = clf.coef_[0]
a = -w[0]/w[1]
xx = np.linspace(-5, 5)
yy = a*xx - (clf.intercept_[0])/w[1]
# plot the parallels to the separating hyperplane that pass through the support vectors
b = clf.support_vectors_[0]
yy_down = a*xx + (b[1] - a*b[0])
b = clf.support_vectors_[-1]
yy_up = a*xx + (b[1] - a*b[0])
print "w: ", w
print "a: ", a
# print "xx: ", xx
# print "yy: ", yy
print "support_vectors_: ", clf.support_vectors_
print "clf.coef_: ", clf.coef_
# switching to the generic n-dimensional parameterization of the hyperplan to the 2D-specific equation
# of a line y=a.x +b: the generic w_0x + w_1y +w_3=0 can be rewritten y = -(w_0/w_1) x + (w_3/w_1)
# plot the line, the points, and the nearest vectors to the plane
pl.plot(xx, yy, 'k-')
pl.plot(xx, yy_down, 'k--')
pl.plot(xx, yy_up, 'k--')
pl.scatter(clf.support_vectors_[:, 0], clf.support_vectors_[:, 1],
s=80, facecolors='none')
pl.scatter(X[:, 0], X[:, 1], c=Y, cmap=pl.cm.Paired)
pl.axis('tight')
您可能也喜欢:
0. 前提介绍：
为什么需要统计量？
统计量：描述数据特征
0.1 集中趋势衡量
0.1.1均值（平均数，平均值）（mean）
{6, 2, 9, 1, 2}
1. 关于非线性转化方程(non-linear transformation function)
sigmoid函数(S 曲线)用来作为activation function:
1.1 双曲函数(tanh)
双曲函数...
1.1 以人脑中的神经网络为启发，历史上出现过很多不同版本
1.2 最著名的算法是1980年的 backpropagation
2. 多层向前神经网络(Multil...君，已阅读到文档的结尾了呢~~
基于正则化路径的支持向量机近似模型选择
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
基于正则化路径的支持向量机近似模型选择
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer--144.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口

我要回帖

更多关于 business development 的文章

 

随机推荐