参考:支持向量机和其他基于核的学习方法的介绍,作者:Nello Cristianini和John Shawe-Taylor
在此演示中:训练或交叉验证支持向量机(SVM)模型,用于低维数据集上的两类(二进制)分类。
训练算法只依赖于H中的点积数据,即Φ(x_i)·Φ(x_j)形式的函数。2022世界杯八强谁会赢?现在如果有一个核函数K
K (x_i x_j) =Φ(x_i)·Φ(x_j),
我们只需要在训练算法中使用K,甚至不需要显式地知道Φ是什么。一个例子是径向基函数(RBF)或高斯核,其中H是无限维的,因此显式处理Φ不是很容易。
训练模型需要选择:
•核函数,决定了决策曲面的形状
•核函数中的参数(例如:对于高斯核:高斯的方差,对于多项式核:多项式的次)
•正则化参数λ。
相关例子:
1.演算法
https://in.mathworks.com/matlabcentral/fileexchange/63156-adaboost
2.支持向量机使用不同的核
https://in.mathworks.com/matlabcentral/fileexchange/63033-svm-using-various-kernels
3.非线性分类支持向量机
https://in.mathworks.com/matlabcentral/fileexchange/63024-svm-for-nonlinear-classification
4.SMO
https://in.mathworks.com/matlabcentral/fileexchange/63100-smo--sequential-minimal-optimization-
引用作为
Bhartendu(2022)。支持向量机(//www.ru-cchi.com/matlabcentral/fileexchange/63158-support-vector-machine), MATLAB中央文件交换。检索.