当前位置：
  1. 首页
  2. AI 人工智能

SVM的使用方法

2024-01-25

上一篇本着回归传统的观点，在这个深度学习繁荣发展的时期，带着大家认识了一位新朋友，英文名SVM，中文名为支持向量机，是一种基于传统方案的机器学习方案，同样的，支持根据输入的数据进行训练，以进行分类等任务。
那么怎么理解这个支持向量呢，简单来说，这些支持向量就是我们从输入数据中挑选的一些代表性数据。这些数据可以是一个或多个，当我们通过训练获取这些向量即得到了一个svm模型后，所有采集到的新数据，都要和这些代表数据进行对比以判断归属。当然这里的支持向量根据分类的类别数，可以存在多组，以实现多分类。
为了更好的说明，SVM的工作原理，这里用一个python代码给大家展示一下如何使用SVM进行一个单分类任务。之后还会给大家介绍一个小编和同事开发的实际应用SVM的异常检测项目，让大家实际看下SVM的应用效果。
那就先从python代码开始，先开门瞧瞧SVM的世界，请看代码>
,SVM的使用方法 (https://ic.work/) AI 人工智能 第1张
中间的暗红色区域就是模型所训练出来的决策区域，可以简单认为落在红色区域里面的点就是属于我们这一类的。这里我们在训练SVM模型时候，选择了两个特征，分别是花萼的长度以及宽度，当然也可以多选择几组特征。
相信大家也注意到了，svm.OneClassSVM函数中有两个参数，nu和gamma，这两个可是模型好坏的关键>
nu 控制训练误差和支持向量数之间的权衡。它表示训练误差的上限和支持向量数的下限。较小的nu 值允许更多的支持向量和更灵活的决策边界，而较大的 nu 值限制支持向量数并导致更保守的决策边界。
gamma 定义每个训练样本的影响力。它确定训练样本的影响范围，并影响决策边界的平滑程度。较小的 gamma 值使决策边界更平滑，并导致每个训练样本的影响范围更大。相反，较大的值使决策边界更复杂，并导致每个训练样本的影响范围更小。
接下来我们就实际测试下，调整gamma值从1到100>
SVM的使用方法 (https://ic.work/) AI 人工智能 第2张
正如上面所述，gamma值变大使得决策区域变得复杂，并且似乎每一个训练数据都变成了支持向量。
接下来我们看看调整nu的情况，nu从0.05->0.5:,SVM的使用方法 (https://ic.work/) AI 人工智能 第3张
决策边界正如上文所讲，变得更加保守了。不过，在实际使用中，我们需要联合调整nu和gamma参数，以获取最佳的模型拟合效果，当然这就是经验之谈了。所谓：炼丹的过程，没错，即便我们回归传统，炼丹的过程也依旧还是存在的。
好了，那本期小编就给大家先分享到这里，下期将为大家带来一个实打实的，将单分类svm用作异常检测的实际项目，敬请期待！！

文章推荐
Tags：

上一篇

下一篇

相关推荐