知识卡片

操作参考卡 · 9636.m · 生成模型:DeepSeek-V4.1-Flash

LIBSVM格式与HAR实战

理解等级:中级

LIBSVM 用稀疏格式存样本,每行形如「标签 索引1:值1 索引2:值2 …」,取值为 0 的特征直接省略,因此在稀疏数据上节省大量空间。Python 接口分三步:svm_read_problem() 读入并返回 (y,x);svm_train(y,x,‘-t 0 -c 4’) 训练,-s 选 C-SVC 或 SVR,-t 选核(0 线性、1 多项式、2 径向基、3 sigmoid),-c 为 C,-g 为 γ,-v 做交叉验证;svm_predict(y,x,model) 返回预测标签、精度元组与决策值。

案例用 UCI HAR 手机传感器数据:30 名 19~48 岁受试者做 6 种动作,由三维加速度与角速度衍生出 561 个特征,按受试者 70⁄30 划分。线性核准确率 96.40%(2841/2947),多项式核 90.77%,说明高维特征下线性核往往已足够。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第7章 支持向量机 · 查看原书依据

      可以看到V3的第二行取值为0,在LIBSVM读取数据的输入中没有显示,这是一种稀疏存储的概念。对于稀疏比例较大的数据,这样的方式将会节省很多空间。

    参考来源

    - 位置:《大数据挖掘与统计机器学习》第7章 支持向量机(源文件:extracted/大数据挖掘与统计机器学习/_epub-src/OEBPS/Text/chapter9_0004.xhtml,7.4 上机实践) - 结论依据:原文介绍 LIBSVM 的稀疏数据格式、svm_read_problem/svm_train/svm_predict 的用法与参数,并给出 HAR 数据上两种核的准确率。 - 原始内容:可以看到V3的第二行取值为0,在LIBSVM读取数据的输入中没有显示,这是一种稀疏存储的概念。对于稀疏比例较大的数据,这样的方式将会节省很多空间。