机器学习算法（三）：支持向量机（SVM）的sklearn调用 2024-06-26 支持向量机, 算法, 机器学习, 人工智能, sklearn 82人 已看 本节只会介绍SVM的一些sklearn的高级API调用接口，具体的理论推导这个模型的推导还是很复杂的，这里就不给出具体的理论了。具体理论还请读者自己想办法查阅资料吧。本来是有打算将理论也在这里附上，但很显然这个模型并不像线性回归和逻辑回归那样简单的几个公式就能够说明的，如果需要在这里讲述明白，需要大量的文字叙述，那么读者还不如去找一本详细介绍该模型的书看。最后面的sklearn网格搜索最优参数的技术很有用，要记得用哟，这个技术是通用适合sklearn里面各种模型的。
【Python/Pytorch 】-- SVM算法 2024-06-23 支持向量机, python, 机器学习, pytorch, 人工智能 74人 已看 SVM算法可以结合鲸鱼算法、飞蛾扑火算法、粒子群算法、灰狼算法、蝙蝠算法等等各种优化算法一起，进行回归预测或者分类预测。支持向量机（Support Vector Machine, SVM）是一种用于分类和回归分析的监督学习模型。SVM的基本思想是通过寻找一个超平面，将不同类别的样本进行最大间隔分离。SVM在高维空间中表现出色，特别适用于小样本、非线性及高维数据的分类。
【Python/Pytorch 】-- SVM算法 2024-06-23 支持向量机, python, 机器学习, pytorch, 人工智能 72人 已看 SVM算法可以结合鲸鱼算法、飞蛾扑火算法、粒子群算法、灰狼算法、蝙蝠算法等等各种优化算法一起，进行回归预测或者分类预测。支持向量机（Support Vector Machine, SVM）是一种用于分类和回归分析的监督学习模型。SVM的基本思想是通过寻找一个超平面，将不同类别的样本进行最大间隔分离。SVM在高维空间中表现出色，特别适用于小样本、非线性及高维数据的分类。
支持向量机 (SVM) 算法详解 2024-06-18 支持向量机, 算法, 机器学习, 人工智能, 数据挖掘 59人 已看 支持向量机的目标是找到一个最佳的决策边界（或称超平面）来最大限度地分隔不同类别的数据点。对于线性可分的数据，SVM 通过一个线性超平面进行分类；对于线性不可分的数据，SVM 可以通过核方法（Kernel Trick）将数据映射到高维空间，使其在高维空间中线性可分。支持向量机是一种强大的监督学习算法，适用于处理复杂的高维和非线性数据。本文详细介绍了 SVM 的原理、数学公式、应用场景以及 Python 实现。虽然 SVM 在某些方面有其局限性，但通过合理选择参数和核函数，可以在许多实际应用中取得优异的效果。
计算机视觉实验二：基于支持向量机和随机森林的分类（Part two: 编程实现基于随机森林的泰坦尼克号人员生存与否分类） 2024-06-19 支持向量机, 随机森林, 计算机视觉, 人工智能, 分类 67人 已看 编程实现基于随机森林的泰坦尼克号人员生存与否分类，基本功能包括：Titanic - Machine Learning from Disaster数据集的下载；数值型数据和文本型数据的筛查、舍弃、合并、补充；随机森林的人员生存与否分类。
基于单类支持向量机的滚动轴承异常检测方法（NASA-IMS轴承数据，Python） 2024-06-19 支持向量机, 算法, python, 机器学习, 人工智能 59人 已看 基于单类支持向量机的滚动轴承异常检测方法（NASA-IMS轴承数据，Python）
【机器学习】第10章 聚类算法 2024-06-18 支持向量机, 算法, 机器学习, 人工智能, 数据挖掘 64人 已看 （1）其中K代表要求划分成K个簇，means是均值的意思，也就是说每个簇的中心点是该簇中所有点的均值。聚类是把各不相同的个体分割为有更多相似性子集合的工作，聚类生成的子集合称为簇（cluster）。生成的簇内部的任意两个对象之间具有较高的相似度，于不同簇的两个对象间具有较高的相异度。c.对每个族，计算所有点的均值作为新的聚类中心，注意这个点是产生出来的。聚类所要求划分的类是未知的，是无意识的，一般把它理解为无监督学习。b.对于剩下的点，根据其与聚类中心的距离，将其归入最近的族。
机器学习笔记——支持向量机 2024-06-10 算法, 支持向量机, 笔记, 机器学习, 人工智能 60人 已看 思想：同时优化所有的参数比较困难，因此选择部分参数来优化，选择两个固定其他的，然后再选两个固定其他的一直循环，直到更新参数的变化小于某个值就可以终止，或者固定迭代次数。我们只需要用支持向量来进行分类，这样子减少了复杂度和时间消耗，但是优势不明显，因为参数a的求解需要的时间也很大，所以用到了序列最小优化算法来解决这个问题。对于一个样本，要么对应的参数a为0，要么与超平面的间隔为γ，将这些与超平面距离最小的向量。这里的a是待求解的参数，梯度参数量是和规模m相关，数据的规模增大时，参数量也增多。
机器学习笔记——支持向量机 2024-06-10 算法, 支持向量机, 笔记, 机器学习, 人工智能 43人 已看 思想：同时优化所有的参数比较困难，因此选择部分参数来优化，选择两个固定其他的，然后再选两个固定其他的一直循环，直到更新参数的变化小于某个值就可以终止，或者固定迭代次数。我们只需要用支持向量来进行分类，这样子减少了复杂度和时间消耗，但是优势不明显，因为参数a的求解需要的时间也很大，所以用到了序列最小优化算法来解决这个问题。对于一个样本，要么对应的参数a为0，要么与超平面的间隔为γ，将这些与超平面距离最小的向量。这里的a是待求解的参数，梯度参数量是和规模m相关，数据的规模增大时，参数量也增多。
【机器学习算法】支持向量机SVM算法概述 2024-06-11 支持向量机, 算法, 机器学习, 人工智能, 数据挖掘 48人 已看 在这个例子中，我们使用了鸢尾花数据集（Iris dataset）作为示例。首先，我们将数据集划分为训练集和测试集，然后对特征进行标准化处理。接下来，我们使用线性核函数创建一个SVM模型，并使用训练集对其进行训练。最后，我们使用训练好的模型对测试集进行预测，并计算准确率。
【深度学习】【机器学习】支持向量机，网络入侵检测，KDD数据集 2024-06-04 算法, 支持向量机, 机器学习, 深度学习, 人工智能 44人 已看 原始数据 0,tcp,private,S0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,123,6,1,1,0,0,0.05,0.07,0,255,26,0.1,0.05,0,0,1,1,0,0,neptune,19。之前介绍过用深度学习做入侵检测，这篇用向量机。预测结果转换为字符串是 [‘neptune’]会得到一些模型文件和图像。环境Python3.10。预测结果是 [14]
第6章 支持向量机 2024-06-05 算法, 支持向量机, 机器学习, 人工智能, 数据挖掘 40人 已看 SVM（Support Vector Machine, 支持向量机）有很多实现，但是本章其中最流行的一种实现，即序列最小优化(Sequence Minimal Optimization， SMO)算法。最小优化(Sequence Minimal Optimization， SMO)算法 一种求解支持向量机二次规划的算法。
【机器学习-09】 | Scikit-Learn工具包进阶指南：Scikit-Learn工具包之高斯混合sklearn.mixture模块研究 2024-06-05 支持向量机, 机器学习, scikit-learn, sklearn, 人工智能 91人 已看 高斯混合模型（Gaussian Mixture Model，简称GMM）是一种概率性的聚类算法，它假设数据是由若干个高斯分布混合而成的。每个高斯分布对应一个聚类，而GMM的目标就是找出这些高斯分布的参数以及每个样本属于这些聚类的概率。
模式识别选择题 2024-06-04 算法, 支持向量机, 机器学习, 人工智能, 数据挖掘 35人 已看 影响K-均值聚类算法效果的主要因素之一是什么？A. 初始聚类中心的选取B. 样本输入顺序C. 模式相似性测度D. 分类准则答案：A支持向量机（SVM）在处理非线性问题时，通常使用什么方法？A. 引入核函数B. 增加特征数量C. 使用多层感知器D. 改变决策函数答案：A感知器算法适用于哪种情况？A. 线性可分的情况B. 线性不可分的情况C. 非线性可分的情况D. 所有情况答案：A特征选择的主要目的是什么？A. 增加特征数量B. 降低特征维数C. 提高模型复杂度D.
通过血清拉曼光谱进行COVID-19的高效初步筛查 2024-06-04 算法, 支持向量机, 机器学习, 人工智能, 数据挖掘 34人 已看 本研究提出了一种基于血清拉曼光谱技术的高效初步筛查方法，通过对177份血清样本的分析，包括确诊的COVID-19患者、疑似病例和健康对照组，利用拉曼光谱检测和机器学习支持向量机方法，建立了一个诊断算法，该算法在区分COVID-19病例与疑似病例、以及健康对照组方面显示出了高准确率，分类准确率分别达到了0.87和0.90，表明拉曼光谱技术是一个安全、高效的COVID-19筛查工具，具有重要的临床应用潜力。此外，该方法对于无症状和有症状的COVID-19患者都表现出较高的敏感性，有助于疫情的防控。
数据挖掘与机器学习——聚类算法 2024-05-30 算法, 支持向量机, 机器学习, 人工智能, 数据挖掘 31人 已看 无监督学习无监督学习聚类算法概念：功能：应用场景：评判标准：划分聚类：K-means聚类逻辑实现：聚类方式问题：解决：可能存在的问题：1.初始值对K-means聚类的影响2.K值对K-means聚类的影响python实现：层次聚类凝聚层次聚类分裂层次聚类层次聚类运行过程层次聚类的问题解决办法MIN单连接全连接组平均质心距离层次聚类特点python实现密度聚类相关概念。
算法金 | 再见，支持向量机 SVM！ 2024-05-28 支持向量机, 算法, 机器学习, 人工智能, 数据挖掘 28人 已看 支持向量机（SVM）是一种监督学习模型，用于解决分类和回归问题。它的核心思想是在特征空间中寻找一个最优的超平面，以此作为决策边界来区分不同类别的数据。SVM的目标是最大化这个决策边界的间隔，即数据点到超平面的最短距离。间隔越大，模型的泛化能力越强，越能减少过拟合的风险。SVM由 Vapnik 在 1995 年提出，因其出色的性能和广泛的应用，迅速成为机器学习领域的一个重要算法。
【scikit-learn009】异常检测系列：单类支持向量机（OC-SVM）实战总结（看这篇就够了，已更新） 2024-05-29 支持向量机, 算法, 机器学习, scikit-learn, 人工智能 28人 已看 1.一直以来想写下机器学习训练AI算法的系列文章，作为较火的机器学习框架，也是日常项目开发中常用的一款工具，最近刚好挤时间梳理、总结下这块儿的知识体系。2.熟悉、梳理、总结下scikit-learn框架OCSVM模型相关知识体系。
