写在前面 之前只停留在理论上，没有实际沉下心去调参，实际去做了后，发现调参是个大工程（玄学）。于是这篇来总结一下sklearn中svm的参数说明以及调参经验。方便以后查询和回忆。 常用核函数 1.linear核函数: K(xi,xj)=xTixjK(xi,xj)=xiTxj 2.polynomial ...
分类：
其他好文 时间：
2018-09-24 21:45:14
阅读次数：
452
yuanwen 0 前言 上”最优化“课，老师讲到了无约束优化的拉格朗日乘子法和KKT条件。 这个在SVM的推导中有用到，所以查资料加深一下理解。 1 无约束优化 对于无约束优化问题中，如果一个函数f是凸函数，那么可以直接通过f(x)的梯度等于0来求得全局极小值点。 为了避免陷入局部最优，人们尽可能 ...
分类：
其他好文 时间：
2018-09-18 13:43:29
阅读次数：
302
一、简介 支持向量机（support vector machines）是一种二分类模型，它的目的是寻找一个超平面来对样本进行分割，分割的原则是间隔最大化，最终转化为一个凸二次规划问题来求解。由简至繁的模型包括： （1）当训练样本线性可分时，通过硬间隔最大化，学习一个线性可分支持向量机； （2）当训练 ...
分类：
其他好文 时间：
2018-09-16 15:57:37
阅读次数：
237
svm分析（类似于源码）fromfutureimportprint_functionfromtimeimporttimeimportlogging#绘图工具importmatplotlib.pyplotasplt#cross_validation：交叉验证，这里现在使用model_selectionfromsklearn.model_selectionimporttrain_test_splitf
分类：
其他好文 时间：
2018-09-11 18:06:53
阅读次数：
191
SVM1由来利用一根直线或者一个超平面把数据按照某种规则区分开来2最大间隔分类器上面我们推导出了间隔的表达式，自然的，我们想让数据点离超平面越远越好：3核函数在前面的讨论中，我们假设数据集是线性可分的。但是现实任务中，可能并不存在一个超平面将数据集完美得分开。这种情况下，我们可以通过将原始空间映射到一个高维空间，如果高维空间中数据集是线性可分的，那么问题就可以解决了。这样，超平面变为：可见，需要计
分类：
其他好文 时间：
2018-09-11 18:00:34
阅读次数：
200
目标检测（object detection）的基本思路： 检测（detection）+ 定位（localization） 目标检测在很多场景有用，如无人驾驶和安防系统。 传统方法 特征提取算法（如：haar特征，HOG特征）+分类器（如：svm） 深度学习方法 R-CNN (Regions with ...
分类：
其他好文 时间：
2018-09-06 22:52:21
阅读次数：
214
1.线性可分 对于一个数据集： 如果存在一个超平面X能够将D中的正负样本精确地划分到S的两侧，超平面如下： 那么数据集D就是线性可分的，否则，不可分。 w称为法向量，决定了超平面的方向；b为位移量，决定了超平面与原点的距离。 样本空间中的任意点x到超平面X的距离（不太熟悉的可以复习高数中空间几何那一 ...
分类：
编程语言 时间：
2018-09-03 10:32:55
阅读次数：
669
转自：watersink 1， Bootstrapping，hard negative mining最原始的一种方法，主要使用在传统的机器学习方法中。比如，训练cascade类型分类模型的时候，可以将每一级分类错误的样本继续添加进下一层进行训练。 比如，SVM分类中去掉那些离分界线较远的样本，只保留 ...
分类：
其他好文 时间：
2018-09-03 02:32:56
阅读次数：
518
原文：http://www.cnblogs.com/tonycody/p/3257601.html 【常规】 【调试部分、编译】 【重构】 【查找】 【VCS】 【调试部分、编译】 【重构】 【查找】 【VCS】 ...
分类：
其他好文 时间：
2018-09-02 23:45:59
阅读次数：
194
