SVM（支撑向量机模型）是二（多）分类问题中经常使用的方法，思想比较简单，但是具体实现与求解细节对工程人员来说比较复杂。本文从应用的角度出发，使用Libsvm函数库解决SVM模型的分类与回归问题
2022-11-27 13:20:08
20KB
1
机器学习与数据挖掘实验四：基于特征工程的支持向量机分类实验，特征为HOG，LBP，GLCM，分类器SVM，包括了数据集，python原码。
2022-11-21 15:26:30
80.89MB
1
铅酸蓄电池应用广泛，准确检测其剩余容量是电池管理系统中的重要一环。 提出将蓄电池开路电压、温度和内阻
三个状态指标作为联合检测量，结合基于 GAPSO- LSSVM 算法对剩余容量进行检测。 在 LSSVM 算法中引入 PSO 算
法对其惩罚参数和核函数参数进行寻优，避免人为因素干扰，提高了精度。 然后再引入 GA 算法，解决了 PSO 算法易局
部收敛的问题，进一步提升了精度。 最后，MATLAB 仿真验证了基于 GAPSO- LSSVM 的联合检测算法在蓄电池剩余容
量的检测方面效果良好，平均误差百分比可以控制在 3%以内，具有极大的实际应用意义。
2022-11-19 22:02:04
2.55MB
1
分类算法（决策树、支持向量机）建立决策函数，然后判断如下数据的类别。
（青年，是，否，非常好）请按列表写结果并附加程序和运行结果。
2022-11-19 14:25:11
3KB
1
利用模糊集理论（FS），区间值模糊集理论（IVFS）和非并行支持向量机理论（NPSVM），模糊非并行支持向量机（F-NPSVM）和区间值模糊非并行支持向量机。 （IVF-NPSVM）已构建。 F-NPSVM和IVF-NPSVM都在模型中考虑了训练点的隶属度，区别在于确定训练点的方法。 在人工数据集和基准数据集上的实验表明，使用F-NPSVM和IVF-NPSVM进行的大多数分类结果比NPSVM，支持向量机（SVM）更为准确。 ，区间值模糊支持向量机（IVF-SVM），广义特征值近端支持向量机（GEPSVM）和双支持向量机（TWSVM）。 最后，使用Friedman检验来验证两个新模型与以前的模型之间存在显着差异。
2022-11-18 22:19:30
389KB
1
除了在Matlab中使用PRTools工具箱中的svm算法，Python中一样可以使用支持向量机做分类。因为Python中的sklearn库也集成了SVM算法，本文的运行环境是Pycharm。
一、导入sklearn算法包
Scikit-Learn库已经实现了所有基本机器学习的算法，具体使用详见官方文档说明
skleran中集成了许多算法，其导入包的方式如下所示，
逻辑回归：from sklearn.linear_model import LogisticRegression
朴素贝叶斯：from sklearn.naive_bayes import Gaussian
2022-11-18 16:44:31
178KB
1
支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面（maximum-margin hyperplane）
2022-11-11 16:30:43
2KB
1
这里将加载iris数据集，创建一个山鸢尾花（I.setosa）的分类器。
# Nonlinear SVM Example
#----------------------------------
#
# This function wll illustrate how to
# implement the gaussian kernel on
# the iris dataset.
#
# Gaussian Kernel:
# K(x1, x2) = exp(-gamma * abs(x1 - x2)^2)
import matplotlib.pyplot as plt
import nump
2022-11-10 16:19:10
138KB
1
关于支持向量机SVM算法解释较为清晰明了的PPT与代码，非常适合小白入门，以及作为面试的准备，有助于快速提升机器学习基础算法
2022-11-10 11:06:13
2.77MB
1