我们可以使用KNN和线性SVM分类器来训练包含4个特征和6个分类簇的数据模型吗？因为我认为线性支持向量机和KNN是用来对具有两个特征和具有二分类簇的数据进行线性分离的。
浏览 8提问于2020-05-27得票数 1
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</
浏览 5提问于2021-02-05得票数 0
回答已采纳
1回答
我刚刚开始熟悉支持向量机，并更具体地提出了以下有关支持向量机和内核的问题：
(1)如果正确理解，判定边界是总是线性的。核除其他外，用于从输入空间映射到特征空间，在特征空间中，以前线性不可分离的数据现在可能是线性可分的。如果决策边界总是线性的
浏览 2提问于2014-08-20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
浏览 3提问于2015-07-21得票数 2
回答已采纳
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。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
浏览 3提问于2015-05-11得票数 0
回答已采纳
7回答
我在上发布了这篇文章，因为我没有收到任何反馈，这对我来说是一个时间敏感的问题。
支持向量机( ...formally )是在高维或无限维空间中构造超平面或超平面集的支持向量机，可用于分类、回归或其他任务。用超平面线性分离类对我来说是有意义
浏览 7提问于2010-10-22得票数 5
回答已采纳
1回答
SVM的参数选择
、、
我有一个数据集，我用libSVM在Matlab中进行分类。数据集由4个类组成。
对于支持向量机的参数选择，可以进行嵌套交叉验证。问题是，我最终也需要最佳参数的值。在完成嵌套交叉验证并具有最终的准确性之后，我需要最佳参数的值。然后，我将为每个类别(1-VS-All)训练一个支持向量机( SVM )，其中包含选择最重要特征<
浏览 2提问于2015-06-18得票数 1
回答已采纳
我在许多支持向量机书籍和技术论文中读到过，许多作者在为大多数文本分类任务选择线性核时都做了这样的假设。他们说，由于文本分类问题中的数据已经存在于高维空间中，因此在尝试使用支持向量机对数据进行分类时，选择线性核来分离数据就足够了。我对这个假设的理解如下：
在任何文本分类任务中，将被选择用
浏览 0提问于2012-07-30得票数 1
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
5回答
我目前正在研究svm，并且想知道svm与线性内核的应用是什么。在我看来，它一定是应用于解决一个线性优化问题。这是正确的吗？
我很感激你的回答！
浏览 9提问于2013-12-13得票数 20
回答已采纳
1回答
我使用HOG是为了通过图像A提取一组特征。HOG返回一个包含1xN个元素的特征向量。然而，线性支持向量机对于每个样本只接受两个特征，即训练数据矩阵的大小为Mx2。因此，我如何调整HOG向量，以便在线性支持向量机上进行训练。请帮帮我。谢谢
浏览 0提问于2016-04-21得票数 0
2回答
可分离的线性分类器可以有多个边界来对数据进行分类。这就是为什么支持向量机选择边界具有最大边界(在不可见数据上的泛化误差最小)的原因。SVM分类总是产生唯一的解决方案吗(我们不是会在所有可能的数据中得到两个最大边界)吗？
答案取决于硬间隔支持向量机和软间隔<e
浏览 7提问于2012-09-27得票数 10
回答已采纳
2回答
我只是准备了一些关于支持向量机的论文。众所周知，内核技巧使我们能够隐式地将数据从输入空间转换到某种(潜在的无限维)特征空间。作为一个简短的参考，您可以使用Cristianini，Nello；Shawe-Taylor，John:支持向量机和其他基于内核的学习方法介绍。剑桥:剑桥大学出版社，2000年。由于我们不知道相应的特征映射，所以当我们使用核时
浏览 3提问于2014-02-28得票数 2
回答已采纳
我使用的是scikit-learn的当前稳定版本0.13。我正在使用类将线性支持向量分类器应用于一些数据。在scikit learn文档中的中，我读到了以下内容：
在学习算法的目标函数中使用的许多元素(例如支持向量机的径向基函数核或线性模型的l1和l2正则化器)都假设所有特征都以零为中心，并且具有</e
浏览 22提问于2013-02-04得票数 26
回答已采纳
1回答
这一职位之后是以下职位：
我想知道我的数据是否是线性可分的。在我收到上面链接的评论后，我决定在我的数据上运行一个硬支持向量机来查看分类结果。我的输入数据，X是(10000,128个)的矩阵，输出/目标/类是(10000，10)。我有10个班，范围从1到10。使用下面的代码，我尝试了LogisticRegression()、svm.Linear
浏览 3提问于2017-02-21得票数 0
回答已采纳
根据我的理解，次梯度svm是一个线性分类器，它使用铰链损失，核svm使用一些核函数来进行非线性分类。我在想，如果次梯度只是一个线性分类器，我能用非线性svm树来分离非线性数据吗？本质上，我将进行二进制分类，将一个类与其余类分开，然后树的子节点将处理其余类，并将下一个类与其余类分离，等等。任何一般性的想法或反馈都是很棒的。
浏览 0提问于2017-01-13得票数 1
回答已采纳
3回答
我正在研究支持向量机，我想知道决策边界和最优超平面之间的区别是什么？它们似乎都被描述为为分隔数据点而绘制的线。
浏览 5提问于2013-12-18得票数 8
回答已采纳
4回答
我正在实现一个非线性支持向量机，我想在一个简单的不可线性分离的数据上测试我的实现。谷歌并没有帮我找到我想要的东西。你能告诉我在哪里可以找到这样的数据吗？或者至少，我如何手动生成这样的数据？
谢谢,
浏览 1提问于2011-05-07得票数 8
回答已采纳
这是我考试时问的一个问题。我给出了下面的答案，我得到了0分。教授甚至不同意给予任何部分学分，也不告诉我我的答案出了什么问题。有人能帮我找出我的答案出了什么问题吗？
这是我在考试中给出的答案。缺点是: 1)如果数据在扩展的特征空间中是线性可分的，那么线性支持向量机可以更好地最大化边缘，并可以导致更稀疏的解。2)当存在大数据集时，与
浏览 1提问于2018-03-16得票数 1
2回答
我有一个由~30个二进制值(0或1)组成的向量所表示的~5000个元素的数据集，在该数据集上使用带有线性核的SVM进行二进制分类(我使用了Scikit学习库)。出于好奇，我尝试添加一个额外的特性，它包含在另外两个特性之间(请记住，我的所有功能都是布尔的)。结果表明，支持向量机的性能得到了提高。
浏览 0提问于2018-03-09得票数 2
回答已采纳
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
腾讯会议
云直播活动推荐
腾讯云开发者
