知识卡片
按任务选择支持向量估计器
SVC 用于分类,SVR 用于回归,OneClassSVM 刻画参考数据的边界以识别异常。分类可用 SVC(kernel=‘rbf’) 起步,再在验证数据上比较核与特征尺度。核类型与训练目标应一同记录。
[[核函数直接算高维内积]]。SVC 将核方法暴露为可配置参数。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
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
- 8.3 在Python中使用支持向量机分类算法 · 查看原书依据
可选择多种核函数的支持向量机分类算法,通过“kernel”参数可以传入“linear”选择线性函数、传入“polynomial”选择多项式函数、传入“rbf”选择径向基函数、传入“sigmoid”选择Logisti
参考来源
- 位置:《机器学习算法的数学解析与Python实现》8.3 在Python中使用支持向量机分类算法(来源项目 book-source,`extracted/机器学习算法的数学解析与Python实现/_epub-src/OEBPS/text00089.html`)
- 结论依据:本节辨别了 SVC、SVR、OneClassSVM 的用途,并给出 RBF 示例。
- 原始内容:可选择多种核函数的支持向量机分类算法,通过“kernel”参数可以传入“linear”选择线性函数、传入“polynomial”选择多项式函数、传入“rbf”选择径向基函数、传入“sigmoid”选择Logisti