svm简单例子

一刀两段，就是这样。

一维点分割，二维线切割，三维面间隔。

反正分开两者的总是低一维的平面。

数据

    和前面一样，多角度组合成一个结合体 ，用来描述综合特征。数据还是经过数字化处理。

分割

    数据分两类，svm本身也只支持二分类问题，想要进行多分类，也只能层级二分类了。

    当然了，为了层级的划分数据类型，用决策树来进行引导也是不错的选择。毕竟它描述了影响的大小。

    有优先级的划分总能够朝着正确的方向。

    然后就是，划分的线条千千万，不过处于极点的终归是那两个----极小，极大。

    为了容忍误差，也是避免过拟合，优先选择的是使得两类数据间隔最大的分割方式。

    已知两点求直线，这个不难，求的线也只是点斜式。然后求出最大值即可。关键在于线的方向，或者线垂直的方向。

    线的两边必然要区分两类。

    具体算法？拉格朗日乘子法，KKT。我能叙述但是还没理解完全，好久没过去。也就不丢人了。

    小时候的疑问或许现在仍然保留，但是我们仍要前进，止步不前，明白了也是落后。

    手段不是目的，或许在使用过程中，另一个角度上，我会对这其中的道理有另一种理解。

结果

    划分两类，如是而已。也仅仅是两类。

    这是smv的标准结果，如果能够多划分，必然是已经添加其他处理了。

    当然，这是线性可分的，对于不可区分的，我们还要把它当做投影，然后折射到高维度的空间内，让它线性可分。

    这技巧是核函数，不幸我被拦路太久，接下来再去学习，先吹吹牛逼。

支持向量

    这里或许就是最迷惑人的了。明明就是线性分点，但是叫做支持向量，让人不得其解。

    不过只能赞叹科学用词的精准。我们想找到的分割线，加上一系列的要求，必然需要两个或以上的标志点。

    然而，这两个点之间，且对于两个集体之间，能够最好划分界限的线，是两个集体的向量垂直平分。

    这个缘由是：使得两点到分割线距离相等。

    也即是说，分隔过程中，两个点做分割线垂线，这垂线段是等长的。

    似乎是废话，但是，支持的说法，只是表明了就是这两个代言人。

    找到两点之间最长分隔间距并不代表两类的最长分隔间距，也就是说两点连线并不垂直于分割线。

    两个支持点的最长间隔反而导致的是两类最近的分割线。

    因此，代表了整体利益的支持点，它的指向不能够自私的指向另一个支持点，而是指向另一个集体。

    也即是垂直这条分割线，垂直分割线只是就结果而论，分割线因此而产生。

    而规则这条线的，就是支持点的指向----对立面。

    因此，这个向量方向必然是指向对立面的，而模长是相等的。

    最终的分割线，由这两点为标记，所规定的方向和长度而决定。

    综合起来，就是空间中过这两点的向量而决定。

案例

    复杂的是算法，就结果而言，不外乎由点找线，由线分类。

    工程师也只认识1.414，依旧是能力，运用也是知识的一方面，莫不如说是直接体现。

    技术诚可贵，销售价更高，若为赚钱故，两者皆可骚。

    如果此路不通，也可以绕到侧面，观察一下，说不定有新见解，总之，不能就此止步。

from sklearn import svm# 基本数据
x = [[3, 1], [3, 9], [4, 9], [5, 2]]
# 结果分类
y = [1, -1, -1, 1]
# 分类模型， 线性可分采用linear
model = svm.SVC(kernel='linear')
# 训练
model = model.fit(x, y)
# 打印支持向量(点)
print(model.support_vectors_)
# 支持向量在数据集中的索引
print(model.support_)
# 新数据
new_one = [[3, 3]]
# 模型划分
print(model.predict(new_one))

使用起来，实在无趣，但是个中因果，让人望而却步，欲进不能。

知识可以借鉴，待我储备更多，必要一探究竟。

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！