"SupportVectorMachine" （机器学习方法）

详细信息与子选项

  • 支持向量机是二元分类器. 用内核函数从实例中提取特征. 在训练时，该方法可找到分隔不同类的最大间隔超平面. 多类分类问题被简化为二元分类问题（使用一对一或一对多方法）. 目前是在后端使用 LibSVM 框架来实现.
  • 选项 "KernelType" 允许你选择内核的类型. "KernelType" 的可能设置包括：
  • "RadialBasisFunction"用指数径向基核函数作为内核
    "Polynomial"用多项式函数作为内核
    "Sigmoid"用 sigmoidal 函数作为内核
    "Linear"用线性函数作为内核
  • 内核 "RadialBasisFunction" 的格式如下：
  • 内核 "Polynomial" 的格式如下：
  • 内核 "Sigmoid" 的格式如下：
  • 内核 "Linear" 的格式如下：
  • 可以给出下列选项：
  • "BiasParameter"1bias term c in polynomial and sigmoid kernels
    "GammaScalingParameter" Automatic前一个内核中的参数
    "KernelType" "RadialBasisFunction"用于映射到更高维空间的内核
    "MulticlassStrategy" Automatic用于获取多类分类器的方法
    "PolynomialDegree" 3多项式内核中l多项式 d 的次数
  • "MulticlassStrategy" 的可能设置包括：
  • "OneVersusOne"为每对类别训练一个二元分类器
    "OneVersusAll"为每个类别训练一个二元分类器
  • "GammaScalingParameter" 控制支持向量的影响. 较大的伽玛值意味着较小的影响半径.
  • "PolynomialDegree" 选项是多项式内核专有的.
  • "MulticlassStrategy" 选项用于将二元分类器推广到多类分类器. "OneVersusOne" 策略对每个类别互相进行测试，而 "OneVersusAll" 策略只将每个类别与训练集中剩下的类别进行测试.

范例

打开所有单元关闭所有单元

基本范例  (2)

在有标签的实例上训练分类器函数：

获取关于分类器的信息：

对新实例进行分类：

生成一些不可线性分离的数据：

可视化：

在该数据集上训练分类器：

作为特征的函数，绘制每个类的训练集和概率分布：

选项  (5)

"GammaScalingParameter"  (1)

为 "GammaScalingParameter" 子选项指定特定值，训练一个分类器：

"GammaScalingParameter" 控制支持向量的影响.

生成一些数据并可视化：

通过改变 "GammaScalingParameter" 训练两个分类器：

在测试集上查看它们的性能，观察影响半径的变化：

"KernelType"  (2)

用特定的 "KernelType" 训练一个分类器：

用两个不同的 "KernelType" 训练两个分类器：

比较它们的性能：

"MulticlassStrategy"  (1)

用 "FisherIris" 数据集来训练两个有不同 "MulticlassStrategy" 选项的分类器：

在测试集上查看它们的准确度. "OneVersusOne" 选项通常要好一些.

"PolynomialDegree"  (1)

通过不同次数的多项式内核，用 "Mushroom" 训练集训练两个分类器：

比较相应的训练时间：.