机器学习， svm

yueluoxiaoqingqing 2018-12-14 03:57:31

1： SVM 怎么用硬件实现，可以用HDL 语言 verilog 编写；

2：这里面有很多小数我该怎么处理;

看了一些算法，这个感觉很难，有没有懂的人给点意见？？？

...全文

619 1 打赏收藏转发到动态举报

写回复

1 条回复

切换为时间正序

请发表友善的回复…

发表回复

Luo_Xiaohei123 2019-02-14

打赏
举报

回复

用IQ数，把小数放大

cv::ml::SVM 是 OpenCV 机器学习模块中的一部分，用于实现支持向量机（Support Vector Machine, SVM）。SVM 是一种强大的监督学习算法，主要用于分类和回归分析。它通过找到一个最优的超平面来区分不同类别的数据点，或者在回归任务中预测连续值。

支持向量机（Support Vector Machine，SVM）是由等人于1990年提出的一种监督学习算法。它的核心思想是通过在特征空间中找到一个最优的超平面来进行分类，使得两个类别的样本之间的间隔最大化。SVM 在分类、回归分析、异常检测等领域都有着广泛的应用。SVM 在高维空间中可以非常高效地进行分类，适用于数据维度较高的情况，如文本分类、图像分类等。SVM 的目标是最大化分类边界的间隔，因此具有较好的泛化能力，对于未见过的数据集也有较好的表现。

本次实验聚焦支持向量机（SVM）算法在鸢尾花数据集上的分类任务，特别关注加入和未加入松弛因子的分类效果。通过深入了解SVM的原理和参数设置，我首先训练了一个未加入松弛因子的模型，然后引入了松弛因子，以探索其对分类结果的影响。松弛因子允许样本存在于超平面错误的一侧，增加了模型的容错能力，使其对噪声或异常值更具鲁棒性。

具体而言，SVM首先将数据映射到高维空间，并在该空间中找到一个最优的超平面，使得该超平面能够将不同类别的数据点有效地分开。其中，对于最优超平面的定义是使得间隔最大化，即离超平面最近的数据点到超平面的距离最大化。用于计算核函数值的函数，其实现了线性核和径向基函数（RBF）核。高斯核函数是一种常用的非线性核函数，它通过计算数据点之间的相似度来建模非线性关系。线性核函数是 SVM 默认的核函数，它对应于线性分类器。SVM最终分类的过程是将新的数据点映射到高维空间，并根据其位置与最优超平面的关系来进行分类。

import cv2 import numpy as np import matplotlib.pyplot as plt # 训练的点数 train_pts = 30 # 创建测试的数据点，2类 # 以(-1.5, -1.5)为中心 rand1 = np.ones((train_pts,2)) * (-2) + np.random.rand(train_pts, 2) print('ran...

6,172

社区成员

11,288

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章