参考：http://scikit-learn.org/stable/modules/svm.html
在实际项目中，我们真的很少用到那些简单的模型，比如LR、kNN、NB等，虽然经典，但在工程中确实不实用。
今天我们关注在工程中用的相对较多的SVM。
SVM功能不少：Support vector machines (SVMs) are a se...
分类：
系统相关 时间：
2015-08-04 08:13:35
阅读次数：
358
SVM被许多人认为是有监督学习中最好的算法，去年的这个时候我就在尝试学习。不过，面对长长的公式和拗口的中文翻译最终放弃了。时隔一年，看到Andrew讲解SVM，总算对它有了较为完整的认识，总体思路是这样的：1.介绍间隔的概念并重新定义符号；2.分别介绍functional margins与geom...
分类：
系统相关 时间：
2015-07-31 14:34:46
阅读次数：
195
关于这部分主要是想在python下试验一下主成分分析（PCA）算法以及简单的人脸识别。曾经详述过matlab下的PCA以及SVM算法进行人脸识别技术，参考如下：主成分分析法-简单人脸识别（一）主成分分析-简单人脸识别（二）PCA实验人脸库-人脸识别（四）PCA+支持向量机-人脸识别（五）主成分分析（PCA）算法主要是对高维数据进行降维，最大限度的找到数据间的相互关系，在机器学习、数据挖掘上很有用。在...
分类：
编程语言 时间：
2015-07-25 20:00:11
阅读次数：
147
原文：http://www.itongji.cn/article/06294DH015.html机器学习方法非常多，也很成熟。下面我挑几个说。首先是SVM。因为我做的文本处理比较多，所以比较熟悉SVM。SVM也叫支持向量机，其把数据映射到多维空间中以点的形式存在，然后找到能够分 类的最优超平面，最后...
分类：
其他好文 时间：
2015-07-25 16:39:14
阅读次数：
164
[root@kvm1 cloud]# lsmod | grep kvm
kvm_intel 55496 3
kvm 337772 1 kvm_intel
[root@kvm1 cloud]# egrep "(vmx|svm)" --color /proc/cpuinfo
flags : fpu vme de ...
分类：
系统相关 时间：
2015-07-25 00:16:07
阅读次数：
174
1,Andrew Ng机器学习公开课笔记 -- 支持向量机2,SVM-支持向量机算法概述3,支持向量机SVM（一）4,机器学习中的算法(2)-支持向量机(SVM)基础
分类：
其他好文 时间：
2015-07-24 20:22:17
阅读次数：
148
参考NB：高效、易实现；性能不一定高LR：对数据的假设少，适应性强，可用于在线学习；要求线性可分决策树：易解释，对数据线性与否无关；易过拟合，不支持在线RF：快速并且可扩展，参数少；可能过拟合SVM:高准确率、可处理非线性可分数据（可处理高维数据）；内存消耗大，难于解释，运行和调参麻烦
分类：
编程语言 时间：
2015-07-24 20:21:23
阅读次数：
136
【编者按】针对Quora上的一个老问题：不同分类算法的优势是什么？Netflix公司工程总监Xavier Amatriain近日给出新的解答，他根据奥卡姆剃刀原理依次推荐了逻辑回归、SVM、决策树集成和深度学习，并谈了他的不同认识。他并不推荐深度学习为通用的方法，这也侧面呼应了我们之前讨论的问题：深...
分类：
编程语言 时间：
2015-07-23 17:17:52
阅读次数：
110
1、核函数概述：核函数通俗的来说是通过一个函数将向量的低维空间映射到一个高维空间，从而将低维空间的非线性问题转换为高维空间的线性问题来求解，从而再利用之前说的一系列线性支持向量机，常用的核函数如下：多项式核函数： 高斯核函数： 比如硬间隔种的目标函数为： ...
分类：
其他好文 时间：
2015-07-22 22:36:11
阅读次数：
320
这一节讲的是核化的SVM，Andrew Ng的那篇讲义也讲过，讲的也不错。 首先讲的是kernel trick，为了简化将低维特征映射高维特征后的计算，使用了核技巧。讲义中还讲了核函数的判定，即什么样的函数K能使用kernel trick。此外，核函数还可以衡量两个特征的相似度，值...
分类：
系统相关 时间：
2015-07-20 21:31:27
阅读次数：
165
