在案例12中我们采用SVM来做分类预测,达到了较满意的结果,但用SVM做分类预测时需要调节相关的参数(主要是惩罚参数c和核函数参数g)才能得到比较理想的预测分类准确率,那么SVM的参数该如何选取呢?有没有最佳的参数呢?采用cross validation的思想可以在某种意义下得到最优的参数,可以有效的避免过学习和欠学习状态的发生,最终对于测试集合的预测得到较理想的准确率.采用实例验证表明,用cross validation选取出的参数来训练SVM得到的模型比随机的选取参数训练SVM得到的模型在最后分类预测上更有效.
2022-10-19 14:21:08
288KB
1
MNIST（“修改后的国家标准与技术研究所”）是计算机视觉事实上的“hello world”数据集。⾃1999年发布以来，这⼀经 典的⼿写图像数据集已成为分类算法基准测试的基础。随着新的机器学习技术的出现，MNIST仍然是研究⼈员和学习者 的可靠资源。
2021-08-26 14:07:14
14.8MB
1
01_案例一：鸢尾花数据SVM分类
02_案例二：鸢尾花数据不同分类器效果比较
03_案例三：不同SVM核函数效果比较.
04_案例四：不同SVM惩罚参数C值不同效果比较.
05_案例五：SVM多目标属性分类问题.
06_案例六：手写数字识别.
08_案例八：使用SVM预测波士顿房价.
07_案例七：自定义SVM内部核函数.
09_综合案例：分类算法比较
2021-07-16 20:07:23
1.98MB
1