大家好,又见面了,我是你们的朋友全栈君。
上期跟大家介绍了支持向量机的一般原理,今天继续跟大家聊聊支持向量机——核函数与支持项链回归。
1
核函数
数据通过某种变换,使原本二维的问题通过某种函数转换到高维的特征空间,而这个函数就称为核函数。核函数有很多种,有线性核函数,多项式核函数,高斯核函数等,其中高斯核函数最为著名。
核函数可以说是支持向量机的灵魂,因为现实生活中,我们不大可能通过一个线性的等式就可以完美的解决一个分类问题,总是要经过核函数变换到多维空间,这时候核函数就显得尤为重要。
2
支持向量回归SVR
没错,支持向量机除了可以解决分类问题之外,还可以处理回归问题。
与一般回归不一样的是,支持向量回归会允许模型有一定的的偏差,在偏差范围之内的点,模型不认为他们有问题,而偏差范围之外的点就会计入损失。所以对于支持向量回归来说,支持向量以内的点都会影响模型,而支持向量之外的点用于计算损失。
3
总结
优点:
有效性:解决高维特征的分类问题和回归问题很有效,在特征维度大于样本数时依然有很好的效果;
核函数可以很灵活的来解决各种非线性的分类回归问题
稀疏性:仅仅使用支持向量来做超平面的决定,无需使用全部数据。
样本量不是海量数据的时候,分类准确率高,泛化能力强
缺点:
SVM在样本量非常大,核函数映射维度非常高时,计算量过大,不太适合使用
SVM对缺失数据敏感
如果特征维度远远大于样本数,则SVM表现一般
Python实例(使用jupyter Notebook打开):
链接:https://pan.baidu.com/s/1TGEMIiqWvg1m3lJI1uWFxw 密码:cphe
每天一点点,生活大不同,欢迎你们活碰乱跳给我留言,也鼓励点赞转发。
发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/135281.html原文链接:https://javaforall.cn
【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛
【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...