我正在使用sklearn.svm.SVC(kernel =' rbf')来分类图像数据,这项工作做得非常好。线性SVM通过在两个类之间放置超平面来对数据进行分类。在rbf SVM的情况下,平面将处于无限维度。对于任何测试点,我们可以使用预测来检查它属于哪个。在线性情况下,我们可以通过获得超平面的方程式来手动获得预测。我们如何在rbf SVM案例中做到这一点。在rbf SVM案例中如何准确预测。
答案 0 :(得分:6)
首先是Fisrt事情
每当我们分类时,我们都应该考虑:
例如,我会放一些使用过的内核。
对于具有高斯核的SVM分类器,我们会有类似的东西:
当您注意到支持向量被替换时,因此我们可以根据结果改变它,例如,考虑两个特征及其着色点:
设置一些值我们得到:
现在
或者
现在无限发挥时会发生什么:
然后:
adaBoost如何使用数据集 http://cseweb.ucsd.edu/~yfreund/adaboost/
如果您愿意,可以通过Ian Nabney测试.NETLAB ML Matlab软件here
以下是SVM的更多来源