svm(支持向量机),某个例子分类错误,如何反推查找分类错误得原因?

我的天堂不是梦2022-10-04 11:39:541条回答

已提交,审核后显示!提交回复

共1条回复
眼睛眨啊眨 共回答了17个问题 | 采纳率94.1%
一般来讲这种工作没太大意义,而且知道了原因也基本解决不了.
要很粗略的知道它怎么分错,首先找到样本核映射以后的中间变量,然后查看这个样本升维以后是否线性可分(一般来讲这个变量是高维,不能绘图,所以要有非常的耐心),如果是一个完全线性不可分的点,那就可以归为核函数的错,如果它线性可分,但是由于不敏感区过大或者过小导致决策函数偏离,那就可以归为损失函数的问题.但是这两者如果人为调整或者修正,往往会带来更多的样本分错.
1年前

相关推荐

什么是支持向量机(SVM)以及它的用途?
Nana221年前1
远而 共回答了16个问题 | 采纳率75%
支持向量机将向量映射到一个更高维的空间里,在这个空间里建立有一个最大间隔超平面.在分开数据的超平面的两边建有两个互相平行的超平面.分隔超平面使两个平行超平面的距离最大化.假定平行超平面间的距离或差距越大,分类器的总误差越小.
它是一种监督式学习的方法,广泛应用于统计分类以及回归分析中.
最小平方支持向量机和最小二乘支持向量机一样吗?
jy008036901年前1
manziguai 共回答了17个问题 | 采纳率88.2%
把我们的父亲们窒息,
我的喉咙的伤口,
黑夜比白天漫长.
投进昏暗的不幸.
那使得我赤裸着在两岸欢迎的呼喊中
绿匝的叶丛中惊恐的探射出哈哈
支持向量机(svm)的问题!我有 已经做好了词性标注和组块标注的txt文件,如何用svm训练样本,来给以后没做过标注的文
支持向量机(svm)的问题!
我有 已经做好了词性标注和组块标注的txt文件,如何用svm训练样本,来给以后没做过标注的文档做组块标注.希望具体点呀!
1 如何把文件弄成svm识别的样式
2 该如何选取特征,而且特征好像都是数字,而做的标记不是数字呀
3 以后训练和测试出好的modle了后,如何把一个没做标记的文本文档做上组块标记
已经标好的文档示例:
当前 /t tp-b
在 /p pp-b
*** /n pp-i
农村 /n pp-i
,/wd o
农民 /n np-b
科学 /ad np-i
种田 /vn np-i
的 /ude1 de-b
意识 /n np-b
越来越 /d ap-b
强 /a ap-i
./wj o
哎,如何把字符性的特征搞成 libsvm可以识别的数字型的特征呀 呜呜呜
滕堂岛1年前1
青岛小蜗牛 共回答了13个问题 | 采纳率92.3%
向量机不是万能的.像你这种文本识别用模糊文本聚类会有比较好的结果.
如果你非要用向量机,关键就是把你的信息转化成向量.而这将是一件很复杂的事情,我给出如下例子 (词所在类,词性,字数,褒贬中的特性,...)后面你可以按照我给的继续加
类:比如农业(1),工业(2)...词性:动词(1) 名词(5)...字数...褒(1)贬(2)中性(3)
设置向量的时候,你要根据那个维度的向量对于判别更重要,那么其不同类的值的差距要拉开.如果你觉得词性很重要那么名词(10)动词(20) 就这么多吧 你先看看效果,
SVM 支持向量机理论中定义ε不敏感损失函数的目的是什么,另ε不敏感损失函数是不是会有不同的表达形式
sl_fc1年前1
sun_key 共回答了17个问题 | 采纳率82.4%
它可以忽略真实值在某个上下范围内的误差,它的解以函数的最小化为特征,它可以确保对偶变量的稀疏性,确保全局最小解的存在和可靠泛化界的优化.
形式分为两种,线性的和二次的.