支持向量机（SVM），作为一个分类模型，可以从两部分来理解： 1）线性问题 即求最优超平面：wTx+b=0。其中要求，向量集合被超平面没有错误地分开，并且离超平面最近的向量与之间距（称作间隔 margin margin）是最大的。所以，问题就转化为求max（2/||w||）,即min（||w||2/ ...
分类：
其他好文 时间：
2019-01-15 00:45:53
阅读次数：
192
需要注意这里使用的是/usr/bin/time 命令而不unix系统自带time。 输出 real 记录了整体的耗时 user 记录了cpu花在任务的时间,但不包括内核函数耗费的时间 sys 记录了内核函数耗费的时间 对user和sys相加就得到了cpu总花费的时间。而这个时间和real的差则有可能 ...
分类：
其他好文 时间：
2019-01-11 00:03:50
阅读次数：
268
官方文档 http://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html 参数说明 http://m.blog.csdn.net/github_39261590/article/details/75009069 常用核函数 ...
分类：
其他好文 时间：
2018-12-24 12:07:14
阅读次数：
118
在这篇论文中，作者提出了一种更加通用的池化框架，以核函数的形式捕捉特征之间的高阶信息。同时也证明了使用无参数化的紧致清晰特征映射，以指定阶形式逼近核函数，例如高斯核函数。本文提出的核函数池化可以和CNN网络联合优化。 Network Structure Overview Kernel Pooling ...
分类：
Web程序 时间：
2018-12-22 22:06:13
阅读次数：
783
在CPU上定义两个数并赋值，然后使用GPU核函数将两个数相加并返回到CPU，在CPU上显示 显示结果如下 ...
分类：
其他好文 时间：
2018-12-08 22:41:13
阅读次数：
200
1.基础支持向量机(SVMs)是一套用于分类、回归和异常值检测的监督学习方法。支持向量机的优点是:在高维空间中有效。在维度数量大于样本数量的情况下仍然有效。在决策函数中使用一个训练点子集(称为支持向量)，因此它也是内存高效的。通用的:可以为决策函数指定不同的内核函数。提供了通用的内核，但也可以指定定制的内核。支持向量机的缺点包括:如果特征数远大于样本数，则在选择核函数时避免过拟合，正则项至关重要。
分类：
其他好文 时间：
2018-12-04 18:49:07
阅读次数：
287
1.普通SVM分类MNIST数据集 2.运行结果： 开始时间：2018-11-17 08:31:09 结束时间：2018-11-17 08:53:04 用时：21分55秒 精度：0.9122 预测图片： ...
分类：
其他好文 时间：
2018-11-17 22:24:01
阅读次数：
352
PCA在做数据处理，一般会有一个数据预处理，其中一个目标就是将取数据特征向相关性。 为什么要去特征的相关性？ 因为数据如果有相关性，在学习的时候是冗余的，徒增学习成本；所以对于数据处理（也称之为白化，英文有的时候称之为sphering），白化的目的：1.实现特征之间的相关性较低；2.所有的特征具有相... ...
分类：
其他好文 时间：
2018-11-11 23:40:16
阅读次数：
298
聚类——认识KFCM算法 作者：凯鲁嘎吉 - 博客园 http://www.cnblogs.com/kailugaji/ 一、KFCM概述 KFCM：基于核的改进的模糊c均值聚类算法。它是通过核函数将原始空间中的点映射到特征空间中，考虑到原始空间中的点无法用一个线性函数进行划分，于是将其变换到一个更 ...
分类：
其他好文 时间：
2018-11-11 16:29:02
阅读次数：
226
支持向量机（Support Vector Machines, SVM）:是一种监督学习算法。处理二分类 支持向量(Support Vector)就是离分隔超平面最近的那些点。 机(Machine)就是表示一种算法，而不是表示机器。 线性可分数据集：将数据集分隔开的直线称为分隔超平面。我们希望找到离分 ...
分类：
其他好文 时间：
2018-11-10 21:16:25
阅读次数：
174
