一、基础理解 Hard Margin SVM 和 Soft Margin SVM 都是解决线性分类问题，无论是线性可分的问题，还是线性不可分的问题； 和 kNN 算法一样，使用 SVM 算法前，要对数据做标准化处理； 原因：SVM 算法中设计到计算 Margin 距离，如果数据点在不同的维度上的量纲 ...
分类：
其他好文 时间：
2018-08-12 21:30:47
阅读次数：
7404
使用代码模板 Eclipse 提供了通过定义和使用代码模板来提高工作效率与代码可预测性的能力。 我们在开发 Java 程序过程中经常需要编写 main 方法： 如果我们一个字母一个字母去编写，将是一个重复而又毫无意义的事情，这是我们就可以使用 Eclipse 代码模板来快速完成这些工作。 我们只需在 ...
分类：
系统相关 时间：
2018-08-12 18:49:56
阅读次数：
173
本文代码来之《数据分析与挖掘实战》，在此基础上补充完善了一下~ 代码是基于SVM的分类器Python实现，原文章节题目和code关系不大，或者说给出已处理好数据的方法缺失、源是图像数据更是不见踪影，一句话就是练习分类器（▼?▼メ） 源代码直接给好了K=30，就试了试怎么选的，挑选规则设定比较单一，有 ...
分类：
编程语言 时间：
2018-08-12 17:28:00
阅读次数：
173
支持向量机（support vector machine，SVM）是机器学习中一种流行的学习算法，在分类与回归分析中发挥着重要作用。基于SVM算法开发的工具箱有很多种，下面我们要安装的是十分受欢迎的libsvm工具箱。 libsvm简介 LIBSVM 是台湾大学林智仁(Lin Chih Jen)副教 ...
分类：
其他好文 时间：
2018-08-12 15:43:26
阅读次数：
247
append_ocr_trainf；read_ocr_trainf_names；create_ocr_class_svm；trainf_ocr_class_svm；write_ocr_class_svm；read_ocr_class_svm ；do_ocr_single_class_svm
分类：
其他好文 时间：
2018-08-11 16:16:20
阅读次数：
648
[toc]一、安装KVMgrep-E‘vmx|svm‘/proc/cpuinfo#查看CPU是否支持KVM，只有支持才能做lsmod|grepkvm#查看CPU是否支持KVM，只有支持才能做yuminstallqemu-kvmqemu-kvm-toolsvirt-managerlibvirtvirt-install-y安装完毕通过下面命令都可以看到多出一个新的网络设备virbr0brctlshow
分类：
其他好文 时间：
2018-08-10 15:58:05
阅读次数：
140
在机器学习这个领域，尤其是做多媒体（声音、图像、视频）相关的机器学习方法研究，会涉及很多特征、分类模型（分类任务）的选择。以声音识别为例，常见的特征有MFCC、LPCC、spectrogram-likefeatures等，分类模型就很多了，有传统的分类模型SVM、KNN、RandomForest，还有现在比较火的深度模型DNN、CNN、RNN等。而往往单特征、单模型很难取得理想的性能（perfor
分类：
其他好文 时间：
2018-08-09 15:40:32
阅读次数：
281
1.什么是SVM 通过跟高斯“核”的结合，支持向量机可以表达出非常复杂的分类界线，从而达成很好的的分类效果。“核”事实上就是一种特殊的函数，最典型的特征就是可以将低维的空间映射到高维的空间。 ? 我们如何在二维平面划分出一个圆形的分类界线？在二维平面可能会很困难，但是通过“核”可以将二维空间映射到三 ...
分类：
其他好文 时间：
2018-08-06 12:57:09
阅读次数：
146
SVM有如下主要几个特点： (1)非线性映射是SVM方法的理论基础,SVM利用内积核函数代替向高维空间的非线性映射； (2)对特征空间划分的最优超平面是SVM的目标,最大化分类边际的思想是SVM方法的核心； (3)支持向量是SVM的训练结果,在SVM分类决策中起决定作用的是支持向量。 (4)SVM ...
分类：
其他好文 时间：
2018-07-31 21:37:15
阅读次数：
208
支持向量机在高维或无限维空间中构造超平面或超平面集合，其可以用于分类、回归或其他任务。直观来说，分类边界距离最近的训练数据点越远越好，因为这样可以缩小分类器的泛化误差。 调用sklearn.svm的svc函数，将MNIST数据集进行分类，并将整体分类精度输出，这里用了两种预处理的方法（将特征值变成0 ...
分类：
编程语言 时间：
2018-07-28 18:25:39
阅读次数：
571
