选择距离SVM超车道最近的5个数据点
SVM（Support Vector Machine）是一种常用的机器学习算法，用于进行分类和回归分析。它的基本思想是找到一个超平面，将不同类别的数据点分开。在超平面的两侧，存在一些距离超平面最近的数据点，这些数据点被称为支持向量。
选择距离SVM超车道最近的5个数据点，意味着我们需要找到离超平面最近的5个数据点。这些数据点通常被认为是最具代表性的，因为它们对于超平面的位置和分类结果具有重要影响。
在云计算领域中，SVM算法可以应用于各种场景，例如图像识别、文本分类、异常检测等。以下是对于选择距离SVM超车道最近的5个数据点的答案：
概念：
选择距离SVM超车道最近的5个数据点是指在SVM模型中，根据数据点与超平面的距离，选取离超平面最近的5个数据点。
分类：
这个问题属于机器学习领域中的支持向量机（SVM）算法。
优势：
- SVM算法在处理高维数据和非线性数据方面表现良好。
- SVM算法具有较好的泛化能力，能够处理小样本数据。
- SVM算法可以通过选择不同的核函数来适应不同的数据类型和问题。
应用场景：
- 图像识别：SVM算法可以用于图像分类、人脸识别等领域。
- 文本分类：SVM算法可以用于垃圾邮件过滤、情感分析等任务。
- 异常检测：SVM算法可以用于检测网络入侵、信用卡欺诈等异常情况。
推荐的腾讯云相关产品：
腾讯云提供了多个与机器学习和云计算相关的产品，以下是其中一些推荐的产品：
- 腾讯云机器学习平台（https://cloud.tencent.com/product/tensorflow）：提供了强大的机器学习和深度学习工具，包括TensorFlow等。
- 腾讯云人工智能开放平台（https://cloud.tencent.com/product/ai）：提供了多个人工智能相关的服务和API，包括图像识别、语音识别等。
- 腾讯云大数据平台（https://cloud.tencent.com/product/emr）：提供了大数据处理和分析的解决方案，可以用于处理和分析机器学习中的大规模数据集。
以上是对于选择距离SVM超车道最近的5个数据点的完善且全面的答案。
相关·内容
2回答
我使用SKLearn对我的数据运行SVC。
from sklearn import svm
svc = svm.SVC(kernel='linear', C=C).fit(X, y)
我想知道如何才能得到X中每个数据点与决策边界的距离？
浏览 3提问于2015-08-18得票数 4
回答已采纳
我在做下面的代码块时参考了下面的博客文章，并获得了以下结果。我的意图是在Scikit-learn中找出支持向量机SVC中三个类之间的点的距离，但我混淆了所描述的含义是否有任何解决方案。
import numpy as np
from sklearn.svm import SVC
x = np.array([[1,2],[2,3],[3,4],[1,4],[1,5],[2,4],[2,6]])
y = np.array([0,1,-1,-1,1,1,0])
classifier = SVC(kernel='linear')
classifier.fit(x,y)
classifi
浏览 2提问于2017-09-20得票数 1
回答已采纳
2回答
WiFi数据中的位置
、、、、
我们正在尝试根据WiFi数据来确定一个人在哪个房间。
1.SSID:无线，BSSID: 00:24:6c:61:da:81，能力: ESS，级别：-54，频率: 2437
2.SSID:无线，BSSID: 00:24:6c:61:da:c1，能力: ESS，级别：-57，频率: 2462
3.SSID:访客，BSSID: 00:24:6c:61:da:c0，能力: ESS，级别：-58，频率: 2462
4.SSID:访客，BSSID: 00:24:6c:61:cb:40，能力: ESS，级别：-59，频率: 2437
5.SSID:无线，BSSID: 00:24:6c:61:cb:41，能力
浏览 1提问于2012-03-27得票数 4
1回答
我有一组带+/-标签的N个数据点X，如果不存在这样的线性分隔符，我想要计算最大裕度线性分隔符(也称为分类器，超平面)。
在这个问题上，我不想避免过分恰当，因为我在其他地方也是如此。因此，没有松弛变量；没有交叉验证；支持向量的数量没有限制；只需找到最大裕度分隔符或失败。
我如何使用libsvm来做到这一点？我相信你不能在C-支持向量机中给c=0，在nu-svm中不能给nu=1 .
相关问题(我认为没有给出答案)：
浏览 0提问于2015-01-19得票数 0
回答已采纳
1回答
支持向量机中预测的可信度
、、、
我正在使用opencv中的SVM分类器进行英语数字分类。我能够使用predict()函数预测类。但我希望在0-1之间得到预测的信心。有人能提供一种使用opencv的方法吗？
//svm parameters used
m_params.svm_type = CvSVM::C_SVC;
m_params.kernel_type = CvSVM::RBF;
m_params.term_crit = cvTermCriteria(CV_TERMCRIT_ITER, 500, 1e-8);
//for training
svmob.train_auto(m_features,
浏览 1提问于2015-01-02得票数 3
回答已采纳
2回答
CvSVM回归只预测整数
、、、
我试图熟悉CvSVM，使用手工标记的590个图像数据库，从0到5 (0是模糊的，5是完美的)。如果一个分数<3i标记它0(模糊)和如果>=3我标记它1(清除)。
对于特性，我只是使用五种不同的通用度量来进行模糊评估。根据训练数据的均值和标准差对每一项数据进行标准化。采用相同的训练均值和标准偏差对测试数据进行标准化处理。
出于某种原因，我的支持向量机只预测整数。我已经检查了int类型和其他愚蠢的错误，但无法解决。我意识到，我的特征可能不是很健壮，因为不同图像之间存在如此大的差异(标准化不是很有帮助，因为标准化测试功能的范围最终要大于训练功能的范围)，但我仍然觉得我应该得到一些十进制预
浏览 4提问于2014-07-17得票数 2
回答已采纳
对于三维数据集，拟合超平面所需的最小点数是多少？
如果我有n个数据点，那么我是否需要n+1数据点来适应超平面？
浏览 0提问于2019-02-24得票数 0
5回答
类K近邻分类的“可能性”
、、、
我在2D空间中有一小组数据点(大约10个)，每个数据点都有一个类别标签。我希望根据现有的数据点标签对新的数据点进行分类，并将属于任何特定标签类别的“概率”关联起来。
根据标签将新点标记为其最近的邻居(如K最近邻居，K=1)是否合适？为了获得概率，我希望排列所有的标签，并计算未知点和其他点的所有最小距离，并找到最小距离小于或等于用于标记它的距离的情况的分数。
谢谢
浏览 0提问于2011-02-08得票数 6
4回答
我需要插值一个线性函数，我不能使用numpy或scipy。
我得到了这个数据点((0,10), (1,4), (2,3), (3,5), (4,12))和‘x= 2.8上的一点。数据点为多边形(两个坐标之间的线性)。
当然，我需要从x的数据中使用最接近的2.8。它来自(2,3)和(3,5)，因为2.8位于2和3之间。
我如何做一个函数来找到这个最近的点？
浏览 6提问于2015-08-21得票数 2
回答已采纳
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
我正在尝试使用yctung's LIBSVM-wrapper for Android对Android上的262维数据点进行分类。我设法在一个有大约240个数据点的训练数据集上训练了一个分类器，并在一个15个数据点的测试数据集上成功地测试了它。正如yctung所建议的那样，这两个数据集都是通过调用svm.scale进行缩放的： svm.scale(appFolderPath + "trainingdata", appFolderPath + "trainingdata_scaled");
svm.train("-t 0 "
浏览 17提问于2019-01-10得票数 0
1回答
我有多组数据点。例如，set 1包含5个数据点，set 2包含1个数据点，set 3包含10等等。我需要从每个集合中选择一个数据点，以便这些所选点之间的距离最小。任何要使用的基于Python的函数都会非常有用。
浏览 1提问于2022-09-30得票数 -2
当我在scikit学习的SVM中预测属于图像的类时
...
print "Predicting on 1 sample"
print "Input features:"
fv = [0.16666666666628771, 5.169878828456423e-26, 2.584939414228212e-22, 1.0, 1.0000000000027285]
print fv
print "Predicted class index:"
print clf.predict([fv])
输出：
Predicted class index:
[5
浏览 6提问于2013-02-21得票数 0
回答已采纳
我正在学习支持向量机，我无法理解如何为二进制分类器中的数据点选择类标签。是否以协商一致方式选择了分离超平面的每个维的分类？
浏览 0提问于2014-05-21得票数 9
回答已采纳
1回答
我有一个包含198行的数据帧trainData，如下所示
Matchup Win HomeID AwayID A_TWPCT A_WST6 A_SEED B_TWPCT B_WST6 B_SEED
1 2010_1115_1457 1 1115 1457 0.531 5 16 0.567 4 16
2 2010_1124_1358 1 1124 1358 0.774 5 3 0.75 5 14
...
testData与此类似。
为了使用支持向量机，我
浏览 1提问于2015-09-23得票数 1
2回答
我有一个具有15列的查询数据点，我有一个具有相同列(15)的pandas数据框，我希望在数据框中找到与我的查询数据点最接近的数据点。有人能在这方面给我指点一下吗？
示例:查询数据点
[1, 2, 3, 4]
df
1 3 5 6
2 7 9 1
2 8 1 8
5 4 9 0
2 4 6 7
这里，下面的行是最接近的，就像我想要检索与查询点最接近的前n个数据点一样。
1 3 5 6
2 4 6 7
我尝试过集群，但它对我来说太复杂了，而且KNN需要一个目标变量，所以需要你的帮助.Thank你！
浏览 0提问于2021-04-05得票数 0
1回答
我是R和SVM的新手，我正在尝试从e1071包中分析svm函数。但是，我找不到任何大型数据集，可以让我在不同大小的输入数据中获得良好的分析结果范围。有人知道如何解决svm问题吗？我应该使用哪个数据集？svm有没有什么特殊的参数可以让它更好地工作？
我复制了一些用于测试性能的命令。也许它最有用，也更容易获得我在这里尝试的内容：
#loading libraries
library(class)
library(e1071)
#I've been using golubEsets (more examples availables)
library(golubEsets)
#get th
浏览 0提问于2012-06-13得票数 5
回答已采纳
2回答
我正在实现一个one-versus-rest分类器，以区分对应于(1)移动计算机光标向上的神经数据和(2)在其他七个主要方向上移动它或不移动的神经数据。我使用了一个带有RBF核的SVM分类器(由LIBSVM创建)，我做了一个网格搜索来为我的分类器找到最佳的伽马和代价参数。我尝试使用来自这两个类的338个元素的训练数据(低估了我的大型"rest“类)，并使用了我的第一个类的338个元素和加权支持向量机( SVM )的第二个类的7218个元素。
我还使用了特征选择将我使用的特征从130个减少到10个。在训练分类器时，我尝试使用10个“最佳”特征和10个“最差”特征。我还使用了整个功能集。
浏览 2提问于2011-07-28得票数 0
1回答
将SVC (支持向量分类器)应用于这里显示的一维数据：
📷
参数成本C=0和C=Infinity的支持向量是什么？
就我所读到的支持向量机和超参数C而言，我想说：
对于C = 0，C = Infinity没有支持向量，所有的数据点都是支持向量。
这是正确的吗？注意，我说的是SVC，而不是SVM
浏览 0提问于2021-04-11得票数 1
2回答
我不理解Spark MLLib算法的支持向量机分类器的输出。我想把分数转换成概率，这样我就可以得到属于某个类的数据点的概率( SVM就是在这个类上训练的，又名。多类问题) 。目前还不清楚这个分数意味着什么。是到超平面的距离吗？我如何从中获得概率？
浏览 0提问于2015-05-04得票数 2
1回答
K-表示随机初始化质心，但还有其他方法来初始化。在本文中，http://ilpubs.stanford.edu:8090/778/1/2006-13.pdf，他们提出随机选择一个数据点，然后根据初始质心的距离来选择其他的质心。
我的问题是:这如何给你正确的结果？假设我的数据集群自然地分为三个集群，一个围绕(x，y)点(1，1)，(0，0)和(-1，-1)的有噪声的集群。假设我使用论文中的方法，最初选择一个数据点(1.32，0.98)并将其标记为簇#1的中心。根据本文，我根据距离选择下一个质心，因此下一个点将在(-1，-1)附近。假设为集群#2选择的数据点是(-1.12，-0.89)。前两个步骤
浏览 0提问于2019-11-25得票数 3
回答已采纳
1回答
我有一系列的点(x,y)和每个点有一个颜色(在实验室的彩色空间)。我需要用相似的颜色把点联系起来，然后在空间上。因此，最终的结果是，每个点都成为本地集群或段的一部分。
是否有适合这种情况的特定数据结构？我试图找到一个数据结构，它可以有效地找到特定点的n个周围点。
本质上，我需要选择点P并找到周围的点。对于每个周围点(Q)；测量P和Q之间的欧几里德颜色距离，如果距离在阈值之内，这些点得到相同的标签。然后重复点Q，直到Q被它自己标签的点包围，或者点太不相似而无法累积。
我知道机器学习算法可以实现我想要的；支持向量机( SVM )，但是它还不够快。如果有一个数据结构可以更快地执行这一点，那么它就更可
浏览 0提问于2018-10-28得票数 0
1回答
我想为一个二级问题训练一个RBF核支持向量机.目前，支持向量机只预测0或1，但我希望它返回到决策边界的距离。我怎样才能做到这一点？
self.svm = cv2.ml.SVM_create()
self.svm.setKernel(cv2.ml.SVM_RBF)
self.svm.train(features, cv2.ml.ROW_SAMPLE, labels)
res = svm.predict(testdata, True)
我的特性是np.arrays和dtype=np.float32，标签是带有dtype=np.int的np.arrays，类"no“的值是0，类是"y
浏览 3提问于2017-07-06得票数 1
我有一个我训练过的支持向量机模型(SVC(class_ SVM =‘balanced’))。我使用predict_proba()来获得计算ROC AUC的概率，并使用predict()来获得对f1_score的预测。从文档中可以看到(predict_proba() > 0.5).astype(int) ==预测()，但是情况并非如此。谁能帮我理解为什么不呢？我的f1_score和中华民国的成绩仍然有效吗？
a = svm.predict_proba(vec.transform(X))[:,1]
b = svm.predict(vec.transform(X))
print(np.mean
浏览 8提问于2022-11-18得票数 -1
1回答
选择支持向量的数据点邻域
、、、、
我一直在想这件事，但不知道该怎么做。我有一个二进制不平衡的数据，并且希望使用svm来选择大多数最接近support vector的数据点的子集。之后，我可以在这个“平衡”的数据上加入一个二进制分类器。
为了说明我的意思，MWE：
# packages import
from collections import Counter
from sklearn.datasets import make_classification
import matplotlib.pyplot as plt
import numpy as np
from sklearn.svm import SVC
import
浏览 4提问于2022-04-21得票数 0
回答已采纳
1回答
我需要一些关于K近邻算法的解释。
为什么KNN算法需要训练过程？在回归模型中，训练过程意味着为所选函数寻找最优参数。KNN训练是否意味着训练数据点之间的相似距离是计算出来的？为什么这对以后的预测阶段有好处呢？
训练和测试数据点之间的相似距离也是计算的吗？如果是的话，那为什么在计算训练数据之间的距离之前，还需要计算这些数据点之间的距离呢？
如果执行了下面的代码，那么它到底要做什么？这是否意味着计算了训练数据点之间的距离？neigh = KNeighborsClassifier(n_neighbors = k).fit(x_train, y_train)
如果执行了下面的代码，那么它到底要做什么？
浏览 0提问于2019-04-24得票数 2
1回答
假设我有许多抽样数据点和每个数据点的结果值。实际上，这可能是一个高维问题，但这里有一个一维示例：
📷
在上面的例子中，35点是最大值，然而，较高的点会显著下降，所以一个平滑的最大值，考虑到噪音，可能更接近25。
是否有一个标准的模型或算法可以用来自动完成这一任务？此示例是RandomForestRegressor类中D2类的不同值的交叉验证分数，但实际上我需要优化多个超参数。在这种情况下，除了更高的维度，更多的超参数之外，还有什么东西可以完成全局最大值的查找吗？
浏览 0提问于2022-01-28得票数 2
2回答
我想得到N个最近的数据点从中心(基于欧几里得距离)在每个集群部署K-均值算法。我能够获得数据点的索引
np.where(km.labels_ == 0)
浏览 0提问于2018-12-15得票数 4
回答已采纳
2回答
生成数据点的“K”最近邻
、、、、
我需要生成K个最近的邻居，给出一个数据点。我阅读了，但它在两组数据之间生成邻居。我想要的可能是最接近传递的数据点的100个数据点的列表。
任何KNN算法都应该在遮罩下找到这些K数据点。这些K点可以作为输出返回吗？
这是我的。
浏览 0提问于2018-12-21得票数 5
回答已采纳
1回答
我尝试使用flink-ml实现进行一些二进制分类。当我评估分类时，我在训练数据集上得到了大约85%的错误率。我绘制了3D数据，看起来你可以用超平面很好地分离数据。
当我试图从支持向量机中获得权重向量时，我只看到了在不拦截超平面的情况下获得权重向量的选项。所以只有一个超平面通过(0,0,0)。
我不知道错误在哪里，我很欣赏每一条线索。
val env = ExecutionEnvironment.getExecutionEnvironment
val input: DataSet[(Int, Int, Boolean, Double, Double, Double)] = env.readCsv
浏览 4提问于2017-12-02得票数 7
4回答
A和B是由二元元素组成的矩阵。A表示为基本数据矩阵，B表示为查询矩阵。A由75个数据点组成，每个数据点的长度为10，B由50个数据点组成，每个数据点的长度为10。为了应用最近邻搜索，我要计算A中的所有数据点与B中的每个查询数据点之间的距离。因此，我没有使用欧几里德或汉明距离，而是使用了另一个度量：
N = 2，k = length of data samples，s = A(1,:)和t = B(1,:)。代码适用于A中的一个数据样本和B中的另一个数据样本。如何进行缩放，使其适用于所有基本数据点和所有查询数据点？
代码工作的示例
设A(1,:) = [1,0,1,1,0,0,0,1,
浏览 4提问于2016-06-09得票数 1
回答已采纳
1回答
我使用svmlib对二维不可分离数据进行线性分类。我能够训练svm并使用svmlib获得w和b。使用此信息，我可以绘制决策边界以及支持向量，但我不确定如何使用svmlib提供的信息绘制边距。
下面是我的代码：
model = svmtrain(Y,X, '-s 0 -t 0 -c 100');
w = model.SVs' * model.sv_coef;
b = -model.rho;
if (model.Label(1) == -1)
w = -w; b = -b;
end
y_hat = sign(w'*X' + b);
sv = fu
浏览 0提问于2015-02-17得票数 0
回答已采纳
1回答
我试图在MNIST数据集上训练svm分类器来区分两个字符。我使用的是指数核，其C=10和γ=10^-6。我还印制了支持向量：
clfretrainC=svm.SVC(C=Cfinal,kernel="rbf",gamma=gammafinal)
clfretrainC.fit(ReTraintotx,ReTraintoty)
Pefinal=1-clfretrainC.score(Testtotx,Testtoty)
print "Test Error"
print Pefinal
print "Number of Support Vectors
浏览 0提问于2018-02-24得票数 0
回答已采纳
3回答
K均值聚类算法
、、、、
我想对一组10个数据点执行k均值聚类分析，每个数据点都有一个由4个数值组成的数组。我使用皮尔逊相关系数作为距离度量。我完成了k均值聚类算法的前两步，它们是：
1)选择k个簇的一组初始中心。我随机选择了两个初始中心
2)将每个对象分配到中心最近的集群。我使用皮尔逊相关系数作为距离度量--见下文
现在我需要帮助理解算法中的第三步：
3)计算集群的新中心：
其中X，在这种情况下是一个4维向量，n是集群中数据点的数量。
假设下面的数据，我该如何计算C(S)呢？
# Cluster 1
A 10 15 20 25 # randomly chosen centre
B 21
浏览 2提问于2013-03-25得票数 2
回答已采纳
我正在尝试拟合一个简单的KNN分类器，并希望使用，以便从它们的高效实现(多处理、基于树的算法)中获益。
然而，我想得到的只是每个数据点的距离和最近邻居的列表，而不是预测的标签。然后，我将以一种非标准的方式单独计算标签。
方法似乎正是我所需要的，但是，如果不首先将模型与相匹配，我就无法调用它。问题是，fit()需要标签(y)作为参数。
有办法实现我想要的目标吗？也许我可以在fit()方法中传递假标签--这样做有什么问题吗？例如，这是否会以任何方式影响(计算的距离和每个数据点的最近邻居列表)的结果？我不希望如此，但我不熟悉scikit的工作原理--学习实现。
浏览 3提问于2022-07-26得票数 0
回答已采纳
我对R的kkmeans包中的kernlab函数有一个疑问，我对这个包很陌生，如果我在这里遗漏了一些明显的东西，请原谅我。
我想将一个新的数据点分配给一组集群中的一个集群，这些集群是使用内核k-means和函数'kkmeans‘创建的。对于规则聚类，可以通过计算新数据点与集群质心之间的欧几里德距离来实现这一点，并选择最接近质心的聚类。在内核k-方法中，必须在特征空间中这样做.
以kkmeans描述中使用的示例为例：
data(iris)
sc <- kkmeans(as.matrix(iris[,-5]), centers=3)
假设这里有一个新的数据点，我想将其分配给上面在sc
浏览 2提问于2012-07-23得票数 13
我正在尝试理解Python代码是如何工作的，从概念上讲，这样我就可以写一篇关于它的论文。我对随机森林算法有一个类似的问题；但如果我理解了这一点，我可能也会理解它。这就是我认为与我的问题相关的部分：
from sklearn.model_selection import StratifiedKFold
from sklearn.metrics import roc_curve, auc
from numpy import interp
statifiedFolds = StratifiedKFold(n_splits=5, shuffle=True)
tprs = []
aucs = []
me
浏览 2提问于2021-05-30得票数 0
1回答
我正在使用kmeans和in一起工作，并使用这段代码行来查找数据中心。
res=kmeans(data,centers=5)
我可以用以下代码到达我的中心：
res$centers
我的第一个问题是:他们是我的数据的成员，还是确切的5个数据中心？
如果中心是我的数据点，我如何才能达到我的中心的索引？
如果中心不是我的数据点，我如何才能找到与这些中心最近的数据点？
谢谢
算法url
浏览 3提问于2015-01-08得票数 3
回答已采纳
例如，假设我有一个具有独立特征的数据集--年龄、性别、姓名和收入。而我的因变量是加载审批状态。
如果我想使用KNN或SVM，是否需要将性别转换成一个数值变量？如果是，如何在KNN或SVM等基于距离的算法中使用？
浏览 0提问于2020-04-22得票数 0
我正在处理一个问题，其中我有一个位于三维空间中的大型数据点集合(>400万)，每个数据点都有一个标量函数值。这由四个数组表示: XD、YD、ZD和FD。元组(XDi，YDi，ZDi)引用数据点i的位置，其值为FDi。
我想要在与我的数据相同的空间中叠加一个直线网格，比如说，100x100x100个点。此网格的设置如下。
[XGrid, YGrid, ZGrid] = np.mgrid[Xmin:Xmax:Xstep, Ymin:Ymax:Ystep, Zmin:Zmax:Zstep]
XG = XGrid[:,0,0]
YG = YGrid[0,:,0]
ZG = ZGrid[0,0,:
浏览 2提问于2012-07-10得票数 1
回答已采纳
1回答
SVM算法是如何找到最优超平面的？正边超平面方程为w.x-b=1，，负边界超平面方程为w.x-b=-1，，中间(最优)超平面方程为w.x-b=0).。我理解如何通过使用平面的法向量和的已知向量点(不是整个向量)来得到超平面方程。假设已知的向量点是x1，对于某些x，整个向量将是x。如果w.(x-x1)=0；w是平面的法向量，那么w.x=b最终得到了形式w.x=b。
现在，要得到一个超平面，我们需要一个法向量和一个已知点。该算法是如何在没有数据点(我认为是方程中需要的已知向量点)的情况下从训练数据中创建一个超平面的？
也许我误解了什么，或者我的逻辑不正确。
浏览 4提问于2016-06-23得票数 0
我正在学习SVM (支持向量机)：有几点仍然不明确：(线性可分，原始情况)
我知道如何找到重量w和超平面方程，但如果我们可以从它推导出支持向量，为什么我们要计算保证金？我需要先计算什么？在哪种情况下？(对于这些混合的问题，我很抱歉，但我真的搞不懂)
我在一些例子中看到，保证金是这样计算的：
1 / ||w||
而在其他情况下，则是这样的：
2 / ||w||
那么这两种情况有什么不同呢？
谢谢
浏览 0提问于2017-11-24得票数 0
3回答
我有一个包含n个数据的数据集，其中每个数据都由一组提取的特征表示。通常，聚类算法要求所有输入数据具有相同的维数(相同的特征数)，即输入数据X是n个数据点的n*d矩阵，每个数据点具有d个特征。在我的例子中，我之前从我的数据中提取了一些特征，但每个数据提取的特征的数量很可能是不同的(我的意思是，我有一个数据集X，其中数据点具有不同数量的特征)。有没有办法调整它们，以便使用一些常见的聚类算法对它们进行聚类，这些算法要求数据具有相同的维度。
谢谢
浏览 7提问于2011-12-18得票数 1
回答已采纳
1回答
我有一个训练有素的Scikit Kmean模型。 当使用模型预测函数时，模型将给定的数据点分配给最近的聚类。(如所料) 让模型将数据点分配给第二个或第三个最近的集群的最简单方法是什么？ 我似乎到处都找不到这个。(我可能遗漏了一些重要的东西。)
浏览 24提问于2019-09-07得票数 1
回答已采纳
所以，在你接受了机器学习算法的训练之后，用你的层次、节点和权重，它到底是如何得到一个输入向量的预测的呢？我使用的是MultiLayer感知器(神经网络)。
根据我目前的理解，您从要预测的输入向量开始。然后将其发送到隐藏层，在该层中，它将您的偏差项添加到每个数据点，然后添加每个数据点的乘积和每个节点的权重(在培训中找到)，然后通过训练中使用的相同的激活函数来运行。对每个隐藏层重复，然后对输出层执行相同的操作。然后，输出层中的每个节点都是您的预测。这是正确的吗？
我在使用opencv进行此操作时感到困惑，因为在中，它表示当您使用函数预测时：
如果使用默认的cvANN_MLP::SIGMOID_S
浏览 2提问于2015-04-01得票数 1
0回答
我已经使用Sklearn编写了Python代码来集群我的数据集：
af = AffinityPropagation().fit(X)
cluster_centers_indices = af.cluster_centers_indices_
labels = af.labels_
n_clusters_= len(cluster_centers_indices)
我正在探索按聚类查询的使用，因此通过以下方式形成一个初始训练数据集：
td_title =[]
td_abstract = []
td_y= []
for each in centers:
td_title.append(ti
浏览 0提问于2017-01-03得票数 4
回答已采纳
2回答
我需要在3维(或更多维)中快速找到与平面(或超平面)最近的k个点。有没有一种快速的方法来执行这种搜索，使用某种聪明的数据结构(类似于kd-tree对k个最近的邻居的工作方式)？
我知道我可以旋转平面和所有点，使平面与其中一个轴正交，然后通过简单地使用该轴上的纵坐标来测量每个点到平面的距离。然而，这种蛮力方法的时间复杂度是O (N)，其中(N)是点数。因为我必须为大量的平面和大量的点找到k个最近的邻居，所以如果可能的话，我需要找到一个更快的算法。
浏览 22提问于2020-10-08得票数 1
1回答
模型拟合和交叉验证
、、、
我正在训练一个数据集，然后在其他一些数据集上测试它。
为了提高性能，我想通过5倍交叉验证来微调参数。
然而，我认为我没有编写正确的代码，因为当我尝试将模型匹配到我的测试集时，它显示它还没有适合它。我认为交叉验证部分符合模型？或者也许我必须提取它？
下面是我的代码：
svm = SVC(kernel='rbf', probability=True, random_state=42)
accuracies = cross_val_score(svm, data_train, lbs_train, cv=5)
pred_test = svm.predict(data_test)
浏览 0提问于2019-12-02得票数 0
关于分类..。假设发现一个数据是线性可分的(使用SVM/聚类/单感知器等测试线性可分性)。我们是否可以使用更简单的模型，如逻辑回归(而不是SVM或其他)，因为他们说简单模型是更好的模型
如果错了，请纠正我
提前感谢！苏利亚
浏览 2提问于2017-06-06得票数 0
通过了解每个数据点的坐标，就很容易用k-均值等聚类方法来应用它们。如果我们只知道每一对数据点之间的距离，而不知道每个数据点的确定位置坐标，那么在这种情况下可以应用任何聚类方法吗？
浏览 0提问于2019-12-29得票数 4
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
实时音视频活动推荐
腾讯云开发者
