安装libsvm的时候用到了mex -setup,有的会报 Could not find
the 64-bit compiler. This may indicate that the "X64 Compilers and Tools" or the
Microsoft Windo...
分类：
其他好文 时间：
2014-05-24 03:59:31
阅读次数：
387
libsvm的函数调用方法 详解
本文地址: http://blog.csdn.net/caroline_wendy/article/details/26261173
需要加载(load)SVM的模型, 然后将结点转换为SVM的格式, 即索引(index)+数据(value)的形式;
释放SVM的model有专用的函数: svm_free_and_destroy_model, 否则容易内存泄露;
可以预测数据的概率, 则需...
分类：
其他好文 时间：
2014-05-22 10:52:57
阅读次数：
335
SVM（支持向量机），一种二类分类器，之所以称之为向量机，是因为它本身就产生一个二值决策结果，即使一种决策“机”，支持向量机的泛化错误低（具有结构风险最小），具有很强的学习能力，因此很多人认为它是最好的监督学习算法。SVM与Logistic回归的联系：
logistic回归的目的就是从特征...
分类：
其他好文 时间：
2014-05-19 17:48:15
阅读次数：
364
SVM(Support Vector Machine)，中文名为 支持向量机，就像自动机一样，听起来异常神气，最初总是纠结于不是机器怎么能叫“机”,后来才知道其实此处的“机”实际上是算法的意思。
支持向量机一般用于分类，基本上，在我的理解范围内，所有的机器学习问题都是分类问题。而据说，SVM是效果最好而成本最低的分类算法。
SVM是从线性可分的情况下最优分类面发展而来的，其基本思想可以用下图表...
分类：
其他好文 时间：
2014-05-18 10:17:23
阅读次数：
309
本栏目内容来源于Andrew
NG老师讲解的SVM部分，包括SVM的优化目标、最大判定边界、核函数、SVM使用方法、多分类问题等，Machine
learning课程地址为：https://www.coursera.org/course/ml大家对于支持向量机（SVM）可能会比较熟悉，是个强大且流行...
分类：
其他好文 时间：
2014-05-12 12:42:21
阅读次数：
764
一、核函数的引入
问题1：
SVM显然是线性分类器，但数据如果根本就线性不可分怎么办？
解决方案1：
数据在原始空间（称为输入空间）线性不可分，但是映射到高维空间（称为特征空间）后很可能就线性可分了。
问题2：
映射到高维空间同时带来一个问题：在高维空间上求解一个带约束的优化问题显然比在低维空间上计算量要大得多，这就是所谓的“维数灾难”。
解决方案2：
于是就引入了“核...
分类：
其他好文 时间：
2014-05-11 04:12:21
阅读次数：
443
学习统计学习方法也已经有几天了，在这几天的时间里，我主要对分类学习方法进行了初步学习，包括：感知机——>支持向量机，K近邻法，朴素贝叶斯法，决策树，logistic
回归与最大熵模型。 其中k近邻法的实现为kd树，朴素贝叶斯通过极大似然估计实现，决策树包含有生成决策树算法ID3,C4.5，决策...
分类：
其他好文 时间：
2014-05-10 03:06:00
阅读次数：
225
在这种环境下, 安装 libsvm 可以说是傻瓜似的了, 但就我搜出的 libsvm 安装教程来看,
以前的 libsvm 安装起来是有点麻烦的目前最新版本是 libsvm 3.18, 按照 [1] 的描述, 将 libsvm 的 windows 目录放到
matlab 目录中, 我想博主说的这个目...
在之前为了寻找最有分类器，我们提出了如下优化问题：
在这里我们可以把约束条件改写成如下：
首先我们看下面的图示：
很显然我们可以看出实线是最大间隔超平面，假设×号的是正例，圆圈的是负例。在虚线上的点和在实线上面的两个一共这三个点称作支持向量。现在我们结合KKT条件分析下这个图。
我们从式子和式子可以看出如果那么，
这个也就说明时，w处于可行域的边界上，这时才是起作用的约束...
分类：
其他好文 时间：
2014-05-09 02:33:02
阅读次数：
345
简介：
1、在之前我们把要寻找最优的分割超平面的问题转化为带有一系列不等式约束的优化问题。这个最优化问题被称作原问题。我们不会直接解它，而是把它转化为对偶问题进行解决。
2、为了使问题变得易于处理，我们的方法是把目标函数和约束全部融入一个新的函数，为了使问题变得易于处理，我们的方法是把目标函数和约束全部融入一个新的函数，即拉格朗日函数，再通过这个函数来寻找最优点。即拉格朗日函数，再通过这个函数...
分类：
其他好文 时间：
2014-05-07 22:40:35
阅读次数：
331
