Questions tagged «svm»

给定线性SVM的支持向量，如何计算决策边界方程？

19 machine-learning  svm 

要使用SVM或神经网络，需要将分类变量转换（编码）为数字变量，在这种情况下，通常的方法是使用0-1二进制值，将第k个分类值转换为（0,0，.. 。，1,0，... 0）（1在第k个位置）。还有其他方法可以做到这一点，尤其是当存在大量分类值（例如10000），使得0-1表示将在神经网络中引入大量额外的维度（输入单位）时，这似乎不是很理想或期望的？ 我在问一般策略。

19 machine-learning  neural-networks  categorical-data  svm  categorical-encoding 

最终编辑，所有资源已更新： 对于一个项目，我正在应用机器学习算法进行分类。 挑战： 有限的标记数据和更多的未标记数据。 目标： 应用半监督分类 应用某种程度上的半监督式标签过程（称为主动学习） 我从研究论文中发现了很多信息，例如应用EM，Transductive SVM或S3VM（半监督SVM），或者以某种方式使用LDA等。关于该主题的书籍也很少。 问题： 实现方式和实际来源在哪里？ 最终更新（基于mpiktas，bayer和Dikran Marsupial提供的帮助） 半监督学习： TSVM：位于SVMligth和SVMlin中。 EM朴素贝叶斯（Python） EM在LinePipe项目中 主动学习： 二元论：一种主动学习的实现，带有文本分类源代码 该网页很好地概述了主动学习。 实验设计研讨会：此处。 深度学习： 此处的介绍性视频。 一般网站。 斯坦福无监督特征学习和深度学习教程。

19 machine-learning  classification  software  svm  text-mining 

“特征空间”的解释是什么？ 例如，当阅读有关SVM的内容时，我阅读了有关“映射到要素空间”的信息。在阅读有关CART的文章时，我阅读了有关“分区到要素空间”的信息。 我了解正在发生的事情，尤其是对于CART，但是我认为我错过了一些定义。 有“特征空间”的一般定义吗？ 是否有定义可以使我更深入地了解SVM内核和/或CART？

19 machine-learning  svm  feature-selection  cart  feature-construction 

我有35个维度的空间（属性）。我的分析问题是一个简单的分类问题。 在35个维度中，超过25个是分类类别，每个属性采用50多种类型的值。 在这种情况下，引入虚拟变量对我也不起作用。 如何在具有很多分类属性的空间上运行SVM？

18 categorical-data  svm 

我需要将URL分类。假设我有15个类别，我打算将每个URL归零。 15向分类器更好吗？我有15个标签，并为每个数据点生成特征。 还是建立15个二元分类器，例如：电影或非电影，并使用从这些分类中获得的数字来构建等级，以选择最佳类别，从而变得更好？

18 machine-learning  classification  categorical-data  svm  feature-selection 

谁能向我解释将SVM与其他分类器区分开的优缺点？

18 machine-learning  svm 

我知道SVM是二进制分类器。我想将其扩展到多类SVM。哪种方法是最好的，也许是最简单的？ 代码：在MATLAB中 u=unique(TrainLabel); N=length(u); if(N>2) itr=1; classes=0; while((classes~=1)&&(itr<=length(u))) c1=(TrainLabel==u(itr)); newClass=double(c1); tst = double((TestLabel == itr)); model = svmtrain(newClass, TrainVec, '-c 1 -g 0.00154'); [predict_label, accuracy, dec_values] = svmpredict(tst, TestVec, model); itr=itr+1; end itr=itr-1; end 如何改善呢？

18 machine-learning  matlab  svm  multi-class 

去年在NIPS 2017上，阿里·拉希米（Ali Rahimi）和本·雷赫特（Ben Recht）的论文“大型内核机器的随机特征” 获得了时间测试奖，他们引入了随机特征，后来被编纂为随机厨房水槽算法。作为公开发表论文的一部分，他们表明可以在5行Matlab中实现他们的模型。 % Approximates Gaussian Process regression % with Gaussian kernel of variance gamma^2 % lambda: regularization parameter % dataset: X is dxN, y is 1xN % test: xtest is dx1 % D: dimensionality of random feature % training w = randn(D,d); b = 2 * pi …

18 machine-learning  svm  gaussian-process  approximation 

给出以下6个决策边界。决策边界是紫罗兰色线。点和十字是两个不同的数据集。我们必须确定哪个是： 线性支持向量机 内核化SVM（2阶多项式内核） 感知器 逻辑回归 神经网络（1个隐藏层和10个整流线性单元） 神经网络（1个隐藏层，具有10 tanh单位） 我想要解决方案。但更重要的是，了解差异。例如，我会说c）是线性SVM。决策边界是线性的。但是我们也可以使线性SVM决策边界的坐标均匀化。d）核化的SVM，因为它是多项式阶数2。f）由于“粗糙”的边缘，因此校正了神经网络。也许a）逻辑回归：它也是线性分类器，但基于概率。

17 machine-learning  self-study  classification  neural-networks  svm 

在我正在研究的一个小型文本分类问题中，朴素贝叶斯（Naive Bayes）表现出与SVM相似或更高的性能，我感到非常困惑。 我想知道是什么因素决定一种算法胜过另一种算法。是否存在没有必要在SVM上使用朴素贝叶斯的情况？有人可以阐明这一点吗？

17 machine-learning  classification  svm  naive-bayes 

我如何了解SVM中的RBF内核？我的意思是我理解数学，但是有什么办法可以感觉到何时该内核会有用吗？ 由于RBF包含矢量距离，因此kNN的结果是否与SVM / RBF有关？ 有没有一种方法可以了解多项式内核？我知道尺寸越高，它越摆动。但是我想了解一下内核的工作原理，而不是尝试所有可能的内核并选择最成功的内核。

17 svm  kernel-trick 

我正在使用SVM模型对空气污染物进行短期预测。要训​​练新模型，我需要为SVM模型找到合适的元参数（我的意思是C，γ等）。 Libsvm文档（以及我已阅读的许多其他书籍）建议使用网格搜索来找到这些参数-因此，我基本上从特定集中为这些参数的每种组合训练模型，然后选择最佳模型。 有没有找到最佳（或接近最佳）元参数的更好方法？对我来说，这主要是计算时间的问题-对这个问题进行一次网格搜索大约需要两个小时（在我做了一些优化之后）。 网格搜索的优点： 它可以很容易地并行化-如果您有20个CPU，它将运行快20倍，并行化其他方法则更加困难 您检查了元参数空间的大部分，因此，如果有一个好的解决方案，您将找到它。

17 cross-validation  svm 

我正在使用许多算法：RandomForest，DecisionTrees，NaiveBayes，SVM（内核=线性和rbf），KNN，LDA和XGBoost。除了SVM之外，所有其他功能都非常快。那就是当我知道它需要功能缩放以更快地工作时。然后，我开始怀疑是否应该对其他算法执行相同的操作。

17 machine-learning  svm  random-forest  naive-bayes  xgboost 

我知道，一类支持向量机（OSVM）是在考虑否定数据的情况下提出的，它们试图找到将正集与某个负锚点（例如起源）分开的决策边界。 2011年的工作提出了示例性SVM（ESVM），该模型训练了一个声称与OSVM有所不同的“单个每个类别分类器”，因为ESVM不需要“将示例映射到可以使用相似性内核的公共特征空间中”计算”。我不太了解这意味着什么以及ESVM与OSVM有何不同。因此，它们有何不同？在ESVM中如何避免这种相似性内核计算？

16 machine-learning  svm