对支持向量机得到的线性分离器进行平均
是一种模型集成方法，通常称为支持向量机的集成学习方法。该方法通过将多个支持向量机模型的预测结果进行平均或投票来提高分类性能。
支持向量机（Support Vector Machine，SVM）是一种常用的机器学习算法，用于解决二分类和多分类问题。它通过在特征空间中找到一个最优的超平面来实现分类。支持向量机的优势在于可以处理高维数据和非线性数据，并且具有较好的泛化能力。
当使用支持向量机进行分类时，可能会遇到一些难以分类的样本点，这些样本点被称为离群点（outliers）。为了提高分类性能，可以使用集成学习方法对支持向量机进行平均。
支持向量机的集成学习方法有多种，常见的包括Bagging和Boosting。Bagging方法通过随机抽样生成多个训练集，每个训练集训练一个支持向量机模型，最后将多个模型的预测结果进行平均。Boosting方法则是通过迭代训练多个支持向量机模型，每次迭代都会调整样本的权重，使得前一轮分类错误的样本在下一轮中得到更多的关注，最终将多个模型的预测结果进行加权平均。
支持向量机的集成学习方法可以应用于各种领域的分类问题，例如图像识别、文本分类、金融风控等。在腾讯云的产品中，可以使用腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）来进行支持向量机的集成学习。该平台提供了丰富的机器学习算法和模型集成方法，可以帮助用户快速构建和部署支持向量机模型。
总结：对支持向量机得到的线性分离器进行平均是一种支持向量机的集成学习方法，通过将多个支持向量机模型的预测结果进行平均来提高分类性能。在腾讯云的机器学习平台中，可以使用支持向量机的集成学习方法来解决各种分类问题。
相关·内容
1回答
我是新的数据处理和统计，所以我有一些问题，我不知道在哪里张贴，我希望这是正确的地方。
我目前正在做一个机器学习项目。我有一些数据，我想使用支持向量机。首先，我认为我需要应用缩放将我的数据放入0;1间隔。我应用了这个公式：
n = (e - e_min)/(e_max - e_min)
然后，我对列的每个元素应用了平均归一化(列的元素--该列的平均值)。
在此基础上，利用支持向量机进行了预测，取得了较好的预测效果。但我想提高结果的准确性。那我能做什么呢？我想我能找到更好的缩放算法但我不知道.你知道缩放算法对我有帮助吗？或者有其他的想法来改进我的预测支持向量机？
谢谢。
浏览 3提问于2015-05-11得票数 0
回答已采纳
2回答
我有6个类别的图像数据集(来自Kaggle的番茄病)。使用预先训练过的模型vgg16，我提取特征，然后将它们压平成一维特征向量。然后，将该向量作为线性核支持向量机分类器的输入。
如何测试我的图像数据集是否是线性可分的？在支持向量机分类器中应用不同的核函数，得到了线性核的最佳结果，是否意味着我的图像数据集是线性可分的？
浏览 5提问于2021-02-05得票数 0
回答已采纳
我需要通过大量的训练示例来训练一个回归模型，它有可能包含任意的特性。我应该考虑什么学习算法，为什么？
对这一问题的简要总结：
目前，examplesAdding培训示例中包含了10个eachAproximately 400 k填充的特性(在timeRetraining上添加了更大的功能space)Additional功能，或者每天调整模型(至少)以纳入新的examplesOptimization标准:最小平方百分比errorOutput：，一个单一实数)。
我有一些经验，训练对数线性模型，类似大小的分类问题(使用支持向量机，平均和投票感知器等)。添加任意特性的能力很重要，但在这种情况下，培训时
浏览 3提问于2012-04-24得票数 6
回答已采纳
我知道关于选择支持向量机(RBF核)的最佳C值和伽马值的问题很多。标准答案是网格搜索，但是，我的问题在网格搜索结果之后开始。让我解释：
我有一个由10个主题组成的数据集，对其进行休假--主题为了不对这些训练数据进行优化，我不想通过在所有10个模型上建立平均精度来选择最佳的C和γ参数并搜索最大值。考虑到xfold中的一个模型，我可以只对训练数据执行另一个x折叠--这个模型(不涉及遗漏的验证主题)。但是你可以想象计算的努力，而我没有足够的时间来完成这个任务。
由于网格搜索对于10种模型中的每一种，产生了范围广泛的良好的C和γ参数(精度之间的差异仅为2-4%，参见图1)，I考虑了一种不同的方法。
I
浏览 1提问于2014-09-10得票数 3
2回答
线性支持向量机的预测复杂度是多少？它的分离面只是一个超平面，所以预测时间似乎不应该依赖于训练数据。同时，我了解到复杂度与支持向量的数量成正比。在训练好的分类器中保留所有这些支持向量有什么意义？
浏览 2提问于2013-04-11得票数 3
回答已采纳
1回答
平均试验次数少于特征数的
、、、
假设我有一个实验，我有70个特征和48个样本。目标变量是二进制变量( 0 ,1)，48个样本被划分，其中24个对应于结果1，其余24个对应于结果0。
请注意，我拥有的数据是一个平均数据。换句话说，48个样本中的每一个都是"n“平均试验的结果。
我感兴趣的是使用支持向量机和获得权重向量(70x1)。在某种程度上，我有较少的样本和特征。然而，我所掌握的数据是平均审判的结果。
如果我无法访问原始数据，那么处理这些数据的最佳方法是什么？作为我的数据，把试验的平均值作为我的数据，是否给了我48条原始数据的特权呢？
浏览 0提问于2019-04-10得票数 0
回答已采纳
1回答
我想知道线性支持向量机和带线性核的支持向量机是否有区别。还是线性支持向量机只是一个具有线性核的支持向量机？
如果是这样，那么在下面的代码中，两个变量linear_svm和linear_kernel之间有什么区别。
from sklearn import svm
linear_svm = svm.LinearSVC(C=1).fit(X_train, y_train)
linear_kernel_svm=svm.SVC(kernel='linear', C=1).fit(X_train, y_train)
浏览 0提问于2017-11-23得票数 4
回答已采纳
对于所有支持向量机版本，如c- SVM，v- svm，软边距svm等，支持向量可以不是训练样本吗？
浏览 1提问于2013-04-26得票数 2
回答已采纳
1回答
这更像是一个概念性的问题。
我已经学习了神经网络，我对支持向量机是如何工作的有一些线索。然而，我在某些地方读到，如果给定适当的内核(对吗？)，支持向量机与神经网络是完全相同的。能不能请明白这一点的人告诉我，这是怎么可能的？
浏览 0提问于2013-12-28得票数 2
回答已采纳
1回答
我正在尝试实现一种基于scikit-learn和支持向量机的增量学习算法。
但似乎每次我调用fit(x，y)函数时，都会构造一个新的模型，而不是添加到其中。有没有办法做到这一点？
我的代码如下所示：
from sklearn import svm
clf=svm.SVM()
for i in range(0,10)
clf.fit([[0,i],[i,0]],[0,1])
非常感谢!
浏览 0提问于2015-11-05得票数 0
我在我的数据集上训练了支持向量机和logistic回归分类器。两个分类器都提供了一个权重向量，该向量的大小是特征数的大小。我可以使用这个权重向量来选择10个最重要的特征，只要选择权重最高的10个特征。
我是否应该使用权重的绝对值，即选择绝对值最高的10个特征？
第二，这只适用于线性核支持向量机，但不适用于我所读过的RBF核。对于非线性核，权值在某种程度上不再是线性的。在非线性核支持向量机的情况下，权重向量不能用来确定特征的重要性的确切原因是什么？
浏览 3提问于2015-07-21得票数 2
回答已采纳
4回答
好吧，我见过的几乎所有使用HoG特性的应用都使用线性支持向量机作为分类器。有人能为我解释一下为什么选择线性支持向量机吗?为什么它们有很好的性能？
选择线性支持向量机是因为它比使用多项式或高斯核的支持向量机更简单、更容易训练，而且使用这些核并不能提供显着更好的性能吗？
浏览 0提问于2014-06-29得票数 10
1回答
我正在创建一个基于新闻类“犯罪”和“非犯罪”的支持向量机( SVM )二进制分类器。我已经从不同的来源下载了6400行的数据集，并对我的模型进行了培训。虽然我能够达到95%以上的准确性，但我关心的是它在新数据集上的性能。该系统将部署在实时流媒体推特上，那么我如何才能将反馈系统放入一个像我的模型不断更新自己的反馈系统中呢？比如，对于培训模式中没有涵盖的新型犯罪新闻来源，如何进一步加以整合？
我问的是一个广泛的方法论问题，而不是一些与具体程序有关的问题，因为我想自己找出具体的实现方法:)
浏览 0提问于2015-11-12得票数 1
2回答
我试图了解线性分类支持向量机是如何工作的(如用于的支持向量机)。我觉得我错过了一个重要的部分，恐怕我找不到一个清晰的描述来更好地理解它。我知道有现成的实现，到最后我可能会使用其中的一个，但我想了解我在做什么。
据我所知，支持向量机使用许多特征向量和正确的分类进行训练。经过训练后，支持向量机被完全定义为一组超平面(维数是特征向量的长度)，通常是很小的数目。我希望(天真地？)我训练的支持向量机是这样的：
ax >=b: 0
ax < b: 1
其中x是特征向量，ax = b是超平面。在这里我遇到了问题，因为：
我不明白在中，他们怎么会得到一个经过训练的支持向量机，这个值是1.7GB
浏览 9提问于2015-06-21得票数 0
回答已采纳
7回答
支持向量机与神经网络
、、、
支持向量机和神经网络有什么区别？线性支持向量机是否真的是相同的神经网络，对于非线性可分离问题，神经网络使用添加隐藏层，支持向量机使用变化的空间维度？
浏览 3提问于2012-01-23得票数 35
回答已采纳
3回答
众所周知，支持向量机的目标函数是迭代训练的。为了继续培训，如果我们想要在相同的训练数据集中继续，至少可以存储迭代中使用的所有变量。
然而，如果我们想要在稍微不同的数据集上进行培训，那么我们应该如何充分利用以前训练过的模型呢？或者这种想法有意义吗？我认为如果我们训练一个K均值模型是相当合理的。但我不知道这对支持向量机问题是否仍然有意义。
浏览 7提问于2014-01-17得票数 4
回答已采纳
1回答
我读过这篇关于神经网络的文章：
“虽然感知器规则在训练样本是线性可分的情况下找到了一个成功的权向量，但如果这些例子不是线性可分的，则它可能无法收敛。
我的数据分布是这样的:橡胶的生产、橡胶的消费、合成橡胶的生产和汇率都是按比例计算的。
我的问题是，数据不是线性可分的，所以我是否应该应用人工神经网络呢？这是一条仅适用于线性可分数据的规则吗？因为我得到了很好的结果使用它(0.09%的MAPE错误)。我还应用了支持向量机回归(fitrsvm function in MATLAB)，因此我不得不问，支持向量机可以用于预测/prediction还是仅用于分类，我还没有读到过使用支持向量
浏览 2提问于2016-04-27得票数 0
回答已采纳
这个问题是对我在另一个问题上看到的一个评论的回应。
该评论是关于Coursera上的机器学习课程教学大纲的，它的大意是"SVMs现在使用得不多“。
我自己才刚刚完成相关的讲座，我对SVMs的理解是，它是一种健壮而高效的分类学习算法，当使用内核时，它们有一个“小生境”，包括10到1000个特征，以及100到10000个训练样本。训练样本的限制是因为核心算法围绕着基于训练样本数的平方矩阵所产生的结果进行优化，而不是基于原始特征的数量。
那么，我看到的评论是否提到了自课程制定以来的一些真正的变化，如果是的话，这是什么变化:一个新的算法涵盖了支持向量机的“甜蜜点”，更好的CPU意味着SVM的计
浏览 0提问于2014-07-09得票数 71
回答已采纳
2回答
我是新来的Matlab。是否有用支持向量机对某些数据(具有41个特性)进行分类，然后可视化结果的示例代码？我想使用支持向量机方法对一个数据集(它有五个类)进行分类。我读了"“的文章，看到了一些例子。我的数据集是kdd99。我编写了以下代码：
%% Load Data
[data,colNames] = xlsread('TarainingDataset.xls');
groups = ismember(colNames(:,42),'normal.');
TrainInputs = data;
TrainTargets = groups;
%% Des
浏览 2提问于2013-06-30得票数 3
1回答
我尝试基于支持向量机(SVM)对图像进行分类。但没有得到任何合适的算法来实现。任何基于支持向量机的图像分类的帮助都是可以接受的。即支持向量机在图像分类中的工作原理？java实现中的SVM算法？
浏览 5提问于2013-10-28得票数 1
回答已采纳
6回答
我目前正在为文本文章设计一个推荐系统(一个“有趣”或“不感兴趣”的二进制例子)。我的一个规范是，它应该不断更新，以适应不断变化的趋势。
据我所知，最好的方法是使用支持增量/的机器学习算法。
像Perceptron和Winnow这样的算法支持在线学习，但我对支持向量机并不完全肯定。scikit- learning python库支持在线学习吗?如果支持，那么支持向量机是可以利用它的算法之一吗？
显然，我并不完全依赖于使用支持向量机，但由于它们的全面性能，它们通常是二进制分类的最佳算法。我愿意最终改变到最适合的地方。
浏览 0提问于2014-04-14得票数 58
回答已采纳
我正在测试支持向量机的超参数，但是，当我求助于Gridsearch或RandomizedSearchCV时，我无法获得分辨率，因为处理时间超过了几个小时。
我的数据集相对较小: 4303行和67个属性，有四个类(分类问题)。
以下是经过测试的参数：
params =[{'C': [0.1,1, 10, 100],
'kernel': ['poly','sigmoid','linear','rbf'],
'gamma': [1,0.1,0.01,0
浏览 0提问于2022-12-08得票数 1
回答已采纳
2回答
假设我有一个数据集，我想用神经网络和支持向量机进行训练。在训练后的数据集中，神经网络是否会过度适应，而支持向量机则不会？就像一个数据集对一种训练算法来说是否过分适合，而不太适合另一种训练算法吗？有可能吗？或者如果它不适合于一种训练算法，那么可以假设它也不适合其他的训练算法？
浏览 0提问于2016-08-08得票数 0
回答已采纳
3回答
机器学习支持向量机
、、、
如果使用支持向量机从核数据训练模型，则得到的训练模型包含支持向量。现在考虑使用已经存在的旧数据以及少量新数据来训练新模型的情况。因此：
如果将新的数据与以前形成的模型的支持向量组合起来，形成新的训练集。(如果是，那么如何将支持向量与新的图形数据结合起来？我正在研究libsvm)
或者：
是否应该将新的数据和完整的旧数据组合在一起，形成新的培训集，而不仅仅是支持向量？
哪种方法更适合再培训，在准确性和记忆方面更可行和更有效率？
浏览 7提问于2016-02-15得票数 3
回答已采纳
2回答
我正在阅读关于SVM的文章，我已经面对了非核化的SVMs只不过是线性分离器的观点。因此，SVM和logistic回归之间的唯一区别是选择边界的标准吗？
显然，SVM选择最大边缘分类器，logistic回归是cross-entropy损失最小化的分类器。在某些情况下，SVM的表现要好于logistic回归，反之亦然？
浏览 0提问于2018-05-09得票数 12
回答已采纳
3回答
和都是实现支持向量机的软件库。有什么关系呢？这些差异是如何使liblinear比libsvm更快的呢？
浏览 0提问于2012-07-17得票数 28
回答已采纳
1回答
我使用sklearn.svm.SVC (内核=‘rbf’)对图像数据进行分类，它做得很好。线性支持向量机通过在两类之间放置一个超平面对数据进行分类。在rbf支持向量机的情况下，平面将处于无限维数。对于任何测试点，我们都可以使用预测来检查它属于哪个测试点。在线性情况下，通过得到超平面方程，可以手工得到预测值。在rbf支持向量机的情况下，如何做到这一点？在rbf支持向量机情况下，如何准确地进行预测。
浏览 5提问于2015-06-07得票数 3
回答已采纳
当我们在非线性可分数据上训练基本支持向量机(线性核和无软边界)时，会发生什么情况？优化问题是不可行的，那么最小化算法返回什么？
浏览 0提问于2015-01-24得票数 13
如何确定是否使用线性、正方形或其他类型的支持向量机模型？
首先，在哪些标准下应该应用支持向量机模型？
浏览 0提问于2019-12-13得票数 0
在尝试模型之前，我试图了解哪个模型可能适用于给定的问题，我发现这个案例与我所知道的不同。请指点我缺少的东西。我是数据科学的新手。
这是我通过PCA得到的图表：
📷
现在你可以看到边界非常重叠。支持向量机理论认为，这种模型可能对重叠的非线性数据最有效，而这种情况似乎并非如此。
但它仍然能够识别测试集中的所有数据。那么，你能提供一些明确为什么支持向量机在这方面表现良好。
因此，我的最终结果如下：
Logistic回归与支持向量机相同(准确性评分: 1.0)
随机森林(准确性得分: 0.9680851063829787)
KNN (准确度评分: 0.925531914893617)
其他详情：
特征
浏览 0提问于2020-06-01得票数 2
回答已采纳
2回答
支持向量机：
SGD：
我的眼睛似乎也是这样，因为他们写着“SGD实现线性模型”。有人能解释一下他们之间的区别吗？
浏览 3提问于2017-12-29得票数 5
回答已采纳
1回答
我的模型基于以下教程：
在最后阶段，使用神经网络从CNN中提取特征。我想在最后一层使用支持向量机。我如何将它添加到我现有的模型中？
在一些论文中，支持向量机似乎比神经网络更好地作为CNN的最后一层，因此我想尝试它们以提高模型的准确性。支持向量机也可以用于神经网络不足的一类分类，最终需要一个分类器，因此需要在CNN中加入一个支持向量机。
请帮帮忙
浏览 7提问于2015-06-22得票数 1
回答已采纳
我已经实现了多类支持向量机的一对一方法。我想使用非标准支持向量机模型，这是提出的一种新的扩展，称为加权支持向量机。
你知道如何计算每个分类器λj的权重吗？
浏览 3提问于2017-10-22得票数 0
1回答
我和我的同事正试图弄清逻辑回归和支持向量机之间的区别。显然，他们正在优化不同的目标函数。支持向量机是否就像说它是一个简单地优化铰链损失的判别分类器一样简单？还是比这更复杂？支持向量是如何发挥作用的？松弛变量呢？为什么你不能有深度支持向量机，就像你不能有一个带有乙状结肠激活函数的深神经网络？
浏览 5提问于2015-12-17得票数 6
回答已采纳
1回答
我想在vlfeat中使用chi2内核而不是线性内核。
是使用chi2的一个例子。
“.%创建具有内核映射参数的结构
hom.kernel = 'KChi2';
hom.order = 2;
%创建数据集结构
数据集= vl_svmdataset(X，'homkermap'，hom);
使用dataset结构学习具有在线内核映射扩展的支持向量机
w = vl_svmtrain(dataset，y，lambda，'MaxNumIterations'，maxIter).
这里到底发生了什么？hom.order是做什么的？
vl_svmdataset是做
浏览 4提问于2015-10-09得票数 0
1回答
我想使用支持向量机(SVM)进行预测。我用matlab函数fitrsvm和predict编写了如下代码，
tb = table(x,y)
Mdl = fitrsvm(tb,'y','KernelFunction','gaussian')
YFit = predict(Mdl,tb);
浏览 5提问于2017-06-18得票数 4
回答已采纳
1回答
我的数据集(MY_DATA)从一个带有相对情感标签的社交网络中提取评论(以这种方式，->正: 1，负：-1，中性: 0)
Comment Sentiment
Hello! 0
I hate you -1
Good job 1
etc... etc...
我想在这些数据的基础上建立一个模型，将评论分为积极、消极和中立。所以我用了tf-以色列国防军然后用了支持向量机。我的问题是:有很多种支持向量机，在我的例子中，，我认为，我们谈论的是多标签而不是多类分类，我应该使用哪种方法？线性支持
浏览 0提问于2020-01-23得票数 0
1回答
我的同事提到，一个数据科学项目正在使用SGD分类器。
因此，我开始阅读有关GD/SGD的文章，并遇到了一个不错的文章，它使用支持向量机和GD进行文本分类。
在文章末尾，作者提到：
我们从一堆要训练的文件开始。然后，我们将每个文档表示为数字向量，您可以选择将它们分割成n克，然后用TF-下手称这些n克。现在我们有了一个数值表示，我们可以给出程序的训练数据，并使它的猜测每次。根据程序的错误程度，程序根据错误进行调整，以便在下一次使用梯度下降进行更好的预测。它使用支持向量机( SVMs )跟踪学习，并通过在图中“绘制”新的数据点并查看它是在右边还是在决策边界的左边，用SVM模型进行预测。
这篇文章没有
浏览 0提问于2020-02-06得票数 1
1回答
线性判别分析( LDA )、带线性核的支持向量机和感知器是线性分类器。它们之间是否存在其他关系，例如：
通过线性支持向量机可以找到LDA所能找到的每一个决策边界。
线性支持向量机能够找到的每一个决策边界都可以用LDA来确定。
LDA可以找到的每一个决策边界都可以被感知器找到。
通过感知器可以找到线性支持向量机可以找到的每一个决策边界。
通过感知器可以找到的每一个决策边界都可以由LDA找到。
通过感知器可以找到的每一个决策边界都可以由具有线性核的支持向量机找到。
当然，总是在相同的数据上。
例如，我认为线性支持向量机可以找到比感知器更多的决策边界，这是由于松驰变量造成的。当感知器只找到一个任意的
浏览 0提问于2017-05-08得票数 3
2回答
我目前正在研究一个情感框架，我计划使用移动平台上的摄像头输入来识别用户当前的情绪表达，使用我成功地提取了66个地标，使用这66个标记，我应该能够将表达式归类为8个预定义的基本情绪中的一个，比如: happy=81%、angry=9% .等
在这方面，哪一个更有效？使用支持向量机( SVM )或神经网络( Networks )，要记住这必须在移动平台上完成，因此资源消耗和限制是一个值得关注的问题。
浏览 5提问于2014-04-12得票数 0
回答已采纳
1回答
支持向量机的C++数据
、、、
我将使用openCV (C++)支持向量机(Support)进行分类。但有个问题：
特征向量非常大(每个特征向量有1890000个元素)，我有超过10000个特征向量来训练支持向量机。如何在没有经验记忆问题的情况下操作特征向量或使用它们？
浏览 4提问于2014-04-08得票数 2
回答已采纳
我的目标是训练一个支持向量机，并得到支持向量，我可以插入到opencv的HOGdescriptor中进行目标检测。
我收集了4000个阳性和15000个负数，并使用opencv提供的支持向量机进行了培训。结果给了我太多的假阳性。(每幅图像最多20 )，我会将假阳性剪辑出来，并将它们添加到底片池中进行再培训。有时我会得到更多的假阳性！我尝试将我的hogdescriptor的L2HysThreshold调高到300，但没有明显的改善。我的正反两面够大了吗？
支持向量机的训练也比预期的快得多。我尝试了一个特征向量大小为2916和12996，在不同的尝试中使用灰度图像和彩色图像。支持向量机训练从未超过
浏览 3提问于2013-08-26得票数 5
回答已采纳
假设在我们要分类的平面(R^2)中有两组可分离点，X和Y。要找到将这两组点分开的最优线(超平面)，我们可以：
运行支持向量机算法
找出X和Y凸壳之间的最小距离线段，并取与这条线中点垂直的线。
2采用H. Edelsbrunner算法在O(logn+lognm)时间内完成。但是我想创建点集的凸壳是O(nlogn)，所以总体上应该需要O(nlogn)时间。我不知道支持向量机算法的时间复杂度。
这两种算法是否取得了相同的结果？如果没有，他们为什么会有所不同？如果是，为什么我们更喜欢支持向量机算法而不是2？
浏览 0提问于2020-11-14得票数 1
3回答
我有一组电影的数据集，他们的subtitles.My任务是根据他们的收视率--R，NR，PG，PG-13，G--对他们进行分类。我尝试过不同的ML算法，发现Logistic回归比所有算法都要好，但是我无法理解why.My数据具有比观察更多的特性。
支持向量机-应该在高维数据上表现良好，即使存在类不平衡，也会表现良好，但没有显示出很好的效果。朴素贝尔斯-我认为朴素贝尔斯表现不佳，因为阶级不平衡。随机森林-体面performance.but没有表现出logistic回归。
我正在寻找一个解释为什么一个比另一个表现更好。
注意:数据集是稀疏的，它比观测/示例具有更多的特性/参数。
浏览 0提问于2019-04-10得票数 1
2回答
我试图在matlab上处理一个数据集，其中包含3个类和属性上的负值和正值。我尝试了朴素贝叶斯分类器，但是matlab说朴素贝叶斯不能处理负值。支持向量机算法也不能处理这个问题，因为它有三个类。那么，我是在问你选择哪种算法？
提前谢谢你！！
浏览 5提问于2014-01-22得票数 0
回答已采纳
1回答
我有一个文本数据，分为3类，类1有1%的数据，类2- 69%，类3- 30%。总数据大小为10000。我使用的是10折交叉验证。对于分类，使用了scikit python库的支持向量机和class_weight=auto。但是10折CV的1步代码已经运行了2个小时，还没有完成。这意味着for代码至少需要20个小时才能完成。无需添加class_weight=auto，它可以在10-15分钟内完成。但是，在输出中没有标记为1类的数据。有什么办法可以解决这个问题吗？
浏览 2提问于2013-06-15得票数 2
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频活动推荐
腾讯云开发者
